AWS ML Engineer Associate (MLA-C01): qué esperar de la nueva certificación

MLA-C01 estuvo disponible de forma general (GA) en agosto de 2024 y, discretamente, se convirtió en la certificación de AWS ML que más vale la pena. Reemplazó a la antigua Machine Learning Specialty (MLS-C01), que fue retirada en 2024, aunque MLS-C01 todavía aparece en guías de estudio desactualizadas porque internet no se actualiza según el cronograma de AWS. Si viniste aquí intentando averiguar si estudiar MLS-C01 o MLA-C01, la respuesta es MLA-C01. La certificación antigua está obsoleta.

Lo interesante es el cambio de alcance. MLS-C01 se inclinaba fuertemente hacia el lado de la ciencia de datos: elección de algoritmos, ajuste de hiperparámetros, las matemáticas de cuándo usar XGBoost frente a una red neuronal. MLA-C01 va con fuerza en la otra dirección. Es un examen de ingeniería. Despliegue con SageMaker, pipelines de MLOps, monitoreo de desviaciones, depuración de endpoints. Si querías una certificación que evalúe si puedes entrenar un modelo, esta no es. Si querías una certificación que evalúe si puedes desplegar y operar uno, MLA-C01 es exactamente eso.

Formato

65 preguntas, 170 minutos, $150, puntuación de aprobación escalada de 720/1000. Cuatro dominios:

• Preparación de Datos para ML (28%)
• Desarrollo de Modelos de ML (26%)
• Despliegue y Orquestación de Flujos de Trabajo de ML (22%)
• Monitoreo, Mantenimiento y Seguridad de Soluciones de ML (24%)

Esa distribución es engañosa a primera vista. "Desarrollo de Modelos de ML" suena a entrenamiento de modelos, pero en MLA-C01 se trata en realidad de elegir algoritmos SageMaker integrados y configurar trabajos de entrenamiento. No se te pide que diseñes un transformador desde cero.

Para quién es esta certificación

Sinceramente, tres grupos:

Ingenieros de datos que fueron arrastrados a ML. Tú construiste los pipelines. Ahora tu equipo necesita endpoints de SageMaker detrás de un API Gateway y tú eres quien lo está conectando. MLA-C01 se alinea estrechamente con este trabajo.

Ingenieros de backend que implementan funcionalidades de ML. No estás entrenando modelos. Un científico de datos te entrega un artefacto de modelo y necesitas desplegarlo, monitorearlo, reentrenarlo y revertirlo si se desvía. Esta es la certificación para eso.

Ingenieros de la nube que se están orientando hacia las plataformas de ML. Ya te sientes cómodo con IAM, VPCs, el ciclo de vida de S3, CloudWatch. Ahora necesitas aprender las formas de SageMaker. MLA-C01 es una forma enfocada de hacerlo.

Esta no es la certificación para científicos de datos que realizan I+D de modelos. Ellos quieren una certificación diferente, posiblemente nada específico de AWS, o quizás la GCP Professional ML Engineer si quieren alguna señal de nube. La certificación de AWS puramente de ML ha desaparecido; AIF-C01 (AI Practitioner) es fundamental y más ligera; AIP-C01 (GenAI Developer Pro) es la nueva certificación de ML avanzada en el nivel Profesional.

Qué se evalúa realmente

SageMaker, de principio a fin. SageMaker Studio, trabajos de entrenamiento (algoritmos integrados, contenedor BYO, Script Mode), trabajos de procesamiento, transformación por lotes, registro de modelos, endpoints (en tiempo real, sin servidor, asíncronos, multi-modelo), pruebas en sombra, variantes de modelos A/B, autoescalado. También SageMaker Canvas, SageMaker JumpStart para modelos fundacionales, SageMaker Pipelines para orquestación.

No necesitas conocer de memoria cada algoritmo integrado. Necesitas saber aproximadamente cuándo usar el aprendizaje lineal (linear learner) frente a XGBoost frente a DeepAR frente a Object2Vec, y cómo configurar los trabajos de entrenamiento para usar Spot, entrenamiento distribuido y grupos cálidos gestionados.

Preparación de datos en AWS. AWS Glue, Glue DataBrew, EMR, Kinesis Data Streams / Firehose / Analytics, Athena, SageMaker Data Wrangler, SageMaker Feature Store. Gran parte de la ingeniería de datos se integra en este examen. Si has tomado DEA-C01, ~25% de MLA-C01 te resultará familiar.

Patrones de MLOps. SageMaker Pipelines, AWS Step Functions, EventBridge para disparadores, integración con CodePipeline, despliegue de modelos azul/verde, lanzamientos canary, aprobaciones de registro de modelos, CI/CD para ML. No tan profundo como DOP-C02 en CI/CD puro, pero con una cobertura sólida.

Monitoreo y desviación (drift). SageMaker Model Monitor (calidad de datos, calidad de modelo, desviación de sesgo, desviación de atribución de características), SageMaker Clarify para sesgo y explicabilidad, Model Dashboard. Métricas de CloudWatch para endpoints. Este es uno de los temas subestimados: la mayoría de los candidatos lo repasan superficialmente porque el monitoreo suena aburrido, pero luego 12 preguntas del examen real tratan sobre ello.

Seguridad. IAM para SageMaker, cifrado KMS para datos de entrenamiento y artefactos de modelos, modo VPC para SageMaker, aislamiento de red, SageMaker Role Manager, PrivateLink para endpoints, registro de auditoría.

Qué no se evalúa en profundidad (buenas noticias)

• Teoría pura de ML. No necesitas cálculo. No necesitas derivar backprop. No se te pregunta qué optimizador es mejor que otro.
• Diseño de arquitectura de deep learning. No hay preguntas sobre la elección del número de cabezales de transformadores.
• Pruebas de hipótesis estadísticas. La antigua MLS-C01 las tenía; MLA-C01 eliminó la mayoría de ellas.
• Especificidades de la IA generativa. Eso es AIF-C01 (fundamental) y AIP-C01 (Profesional). MLA-C01 menciona JumpStart y Bedrock, pero a nivel de integración, no en profundidad.

Cómo estudiar

Los recursos aún están madurando, la certificación tiene solo unos ~20 meses. A partir de abril de 2026:

• AWS Skill Builder tiene la ruta de aprendizaje oficial de MLA-C01. Es buena y gratuita con una cuenta.
• Stephane Maarek tiene un curso de MLA-C01 en Udemy que está bien estructurado.
• Adrian Cantrill no había lanzado un curso completo de MLA-C01 a finales de 2025; verifica si ya existe uno. Si es así, será la opción más profunda.
• Tutorials Dojo tiene exámenes de práctica y explicaciones. La calidad es sólida.
• Exámenes de práctica oficiales de AWS en Skill Builder. Lo más parecido al examen real.

La práctica es más importante que para SAA-C03. Lanza un dominio de SageMaker Studio, entrena un algoritmo integrado en un conjunto de datos de Kaggle, despliégalo en un endpoint en tiempo real, hazle una petición con curl, luego despliega el mismo modelo en un endpoint sin servidor y observa el arranque en frío. Configura Model Monitor en el endpoint y activa una alerta de desviación. Todo ese ejercicio cuesta $5-$15 en facturas de AWS y te enseña el 30% del examen.

Presupuesto de tiempo:

• Ingeniero de datos o backend con exposición a ML: 6–8 semanas a 10 horas/semana.
• Ingeniero de la nube sin experiencia en ML: 12 semanas. Construye algo real.
• Científico de datos aprendiendo el lado de AWS: 6–10 semanas, principalmente en temas de despliegue y operaciones.

Señal de carrera: aún emergente

Aquí es donde seré honesto sobre la incertidumbre: MLA-C01 es demasiado nueva para tener datos salariales claros. levels.fyi y Glassdoor aún no la agrupan como una credencial distinta; la mayoría de los roles de "ingeniero de ML" en 2026 todavía mencionan MLS-C01 (que ya no existe) o no mencionan ninguna certificación de AWS. Las ofertas de trabajo que sí mencionan MLA-C01 se concentran en empresas medianas a grandes con equipos formales de plataforma de ML.

Lo que puedo decir a partir de datos informales y conversaciones: los ingenieros de ML senior en las principales áreas metropolitanas de EE. UU. consiguen salarios base de $180k–$280k en 2026, con una compensación total (TC) que supera los $400k en empresas de nivel FAANG. MLA-C01 por sí sola no mueve mucho esa cifra; la experiencia sí lo hace. La certificación probablemente vale entre $5k y $15k, de la misma manera que SAA-C03 lo es para los roles de SA: una señal para los reclutadores de que has superado un umbral de conocimiento.

Lo que MLA-C01 sí indica claramente: que puedes llevar un modelo de un notebook a un endpoint de producción sin causar problemas. Lo cual, si eres un gerente de contratación para un equipo de plataforma de ML, es exactamente lo que quieres saber.

Comparación: MLA-C01 vs alternativas

• AIF-C01 es fundamental. Tómala si quieres una señal genérica de IA para roles no relacionados con la ingeniería. No reemplaza a MLA-C01.
• AIP-C01 es la certificación de Desarrollador de GenAI de nivel Pro. Se enfoca más en la integración de IA generativa (Bedrock, ingeniería de prompts, patrones RAG). Tómala si tu trabajo consiste en implementar funcionalidades de LLM. Apílala después de MLA-C01 si quieres una señal tanto de ML como de GenAI.
• DEA-C01 (Data Engineer Associate) se solapa aproximadamente un 25% con MLA-C01 en el lado de la preparación de datos. Si haces ambas, toma DEA-C01 primero.
• GCP Professional ML Engineer (PMLE) es el equivalente más cercano en Google Cloud. Se enfoca más en Vertex AI y las especificidades de TPU. No son intercambiables, pero tienen una forma similar.

Conclusión

MLA-C01 es un examen de Asociado enfocado y bastante difícil que se alinea estrechamente con un trabajo real: ingeniero de plataforma de ML / ingeniero de MLOps. Si realizas ese trabajo, tómala. Si estás intentando entrar en ML desde un background de backend y quieres una certificación que señale competencia a los reclutadores, esta es. Los datos salariales aún están emergiendo, pero la trayectoria es claramente ascendente: los roles de ingeniería de ML están contratando rápidamente en 2026.

Si estás estudiando, navega por el banco de preguntas de MLA-C01 en CertLabPro o comienza un examen cronometrado. Y lanza un endpoint de SageMaker esta semana. El trabajo práctico es lo que hace que el examen se sienta obvio.