AWS Certified Machine Learning Engineer Associate
275 preguntas de práctica
Última revisión: April 2026
Notas personales y enlaces de recursos para tu camino de estudio
Filtrar por Certificación
El AWS Certified Machine Learning Engineer Associate (MLA-C01) se lanzó en agosto de 2024 como la contraparte enfocada en profesionales del antiguo Machine Learning Specialty. Valida la capacidad de construir, implementar, monitorear y mantener cargas de trabajo de ML en AWS, con un fuerte énfasis en Amazon SageMaker, las herramientas de MLOps y los ciclos de vida de los modelos en producción. El examen está dirigido a ingenieros de ML al principio y a mitad de su carrera, científicos de datos que se mueven hacia la ingeniería y ingenieros de DevOps que se expanden a plataformas de ML. Espere preguntas basadas en escenarios sobre pipelines de características, registros de modelos, patrones de implementación, detección de deriva e inferencia con conciencia de costos. El examen es conceptual y sin práctica (sin laboratorios), pero asume que el candidato ha implementado modelos en producción.
El dominio más grande con un 28%. SageMaker Data Wrangler, Feature Store, Glue y patrones de data lake de S3. Espere preguntas sobre el manejo de datos desequilibrados, fugas de datos, estrategias de codificación e ingeniería de características a escala.
Trabajos de entrenamiento de SageMaker, algoritmos integrados vs. traer su propio contenedor, JumpStart, ajuste de hiperparámetros y evaluación de modelos. Obstáculo común: elegir entre SageMaker Autopilot, Canvas y entrenamiento personalizado.
Puntos de conexión de SageMaker (en tiempo real, asíncronos, sin servidor, transformación por lotes), Pipelines, Model Registry y CI/CD con CodePipeline. Los candidatos a menudo pasan por alto las diferencias sutiles entre los modos de implementación y sus compensaciones de costos.
SageMaker Model Monitor, Clarify (sesgo y explicabilidad), detección de deriva y patrones de IAM/VPC para cargas de trabajo de ML. Evalúa la fluidez práctica en MLOps más que la teoría.
Servicios que encontrarás en el examen y por qué cada uno importa.
Plataforma de ML de extremo a extremo que abarca notebooks, trabajos de entrenamiento, ajuste de hiperparámetros, trabajos de procesamiento, endpoints de inferencia administrados y pipelines de MLOps.
Por qué está en el examen: SageMaker es el servicio paraguas que atraviesa los cuatro dominios de MLA-C01 — espera preguntas sobre elección de infraestructura de entrenamiento, opciones de despliegue de inferencia y compromisos entre soluciones administradas y autoalojadas.
IDE web para ML — notebooks Jupyter, experimentos, Pipelines, Model Registry, JumpStart y Canvas en un único espacio de trabajo.
Por qué está en el examen: El Dominio 2 (Desarrollo de Modelos de ML) evalúa Studio como la superficie unificada para iterar modelos, depurar entrenamientos y promover artefactos.
Catálogo de modelos fundacionales y específicos de tareas preentrenados con despliegue de un clic, notebooks de transfer learning y flujos de fine-tuning.
Por qué está en el examen: JumpStart es la respuesta canónica cuando una pregunta plantea cómo partir de un modelo preconstruido en lugar de entrenar desde cero — relevante en el Dominio 2.
Herramienta de detección de sesgo y explicabilidad que produce atribuciones de características SHAP además de métricas de sesgo previas y posteriores al entrenamiento sobre modelos tabulares y fundacionales.
Por qué está en el examen: Las preguntas de los Dominios 2 y 4 sobre IA responsable, explicabilidad de modelos y auditorías de equidad nombran a Clarify como la respuesta nativa de AWS.
Verifica continuamente los endpoints desplegados detectando deriva de calidad de datos, deriva de calidad de modelo, deriva de sesgo y deriva de atribución de características frente a una línea base.
Por qué está en el examen: El Dominio 4 (Monitorización, Mantenimiento y Seguridad) evalúa repetidamente cómo detectar y responder a la deriva en producción — Model Monitor es el servicio nombrado.
Repositorio administrado de características de ML con almacenes online (baja latencia) y offline (batch) sincronizados, corrección point-in-time y reutilización de características entre modelos.
Por qué está en el examen: El Dominio 1 (Preparación de Datos) evalúa Feature Store como la forma canónica de evitar el sesgo entre entrenamiento y servicio y compartir características entre equipos.
Orquestador nativo de MLOps para SageMaker — encadena preprocesamiento, entrenamiento, evaluación, registro de modelos y despliegue condicional como un DAG versionado.
Por qué está en el examen: El Dominio 3 (Despliegue y Orquestación) enfatiza pipelines reproducibles de extremo a extremo; Pipelines es la elección nativa de AWS frente a orquestadores genéricos para stacks centrados en SageMaker.
Herramienta visual de preparación de datos dentro de Studio para importar datos desde S3, Athena, Redshift y Snowflake, y aplicar más de 300 transformaciones integradas con un clic.
Por qué está en el examen: Las preguntas del Dominio 1 sobre ingeniería de características y análisis exploratorio de datos suelen nombrar a Data Wrangler como la respuesta low-code para preparación tabular.
Almacenamiento de objetos que sirve como data lake para datasets de entrenamiento, artefactos de modelos, entradas/salidas de inferencia y datos offline de SageMaker Feature Store.
Por qué está en el examen: Todo escenario de preparación de datos y despliegue de modelos en MLA-C01 asume S3 como sustrato de datos; las clases de almacenamiento, políticas de ciclo de vida y patrones de acceso aparecen en los Dominios 1 y 4.
Servicio ETL serverless con un runtime administrado de Spark, un Data Catalog, crawlers para descubrimiento de esquema y Glue DataBrew para transformación low-code.
Por qué está en el examen: El Dominio 1 nombra a Glue como la herramienta predeterminada de ETL/catálogo de datos para llevar los datos crudos a la forma que espera el entrenamiento de SageMaker.
Motor serverless de SQL interactivo sobre S3 (y fuentes federadas), que usa el Glue Data Catalog para el esquema y aplica un modelo de pago por consulta.
Por qué está en el examen: Athena es la respuesta esperada cuando una pregunta plantea cómo ejecutar SQL ad-hoc sobre datos de entrenamiento en S3 sin levantar un clúster — común en el Dominio 1.
Plataforma administrada de Hadoop/Spark para procesamiento de datos a gran escala, con soporte para Spark MLlib, Hive, Presto e integración con SageMaker Studio.
Por qué está en el examen: EMR aparece en escenarios del Dominio 1 que superan la escala de Glue o requieren pipelines de Spark MLlib fuera de SageMaker.
Servicio de streaming de datos en tiempo real para ingerir clickstreams, eventos IoT y logs a escala, reproducibles dentro de la ventana de retención.
Por qué está en el examen: Las preguntas del Dominio 1 sobre ingesta de características en streaming (p. ej. detección de fraude, frescura de recomendaciones) nombran a Kinesis como la respuesta nativa de AWS.
Cómputo serverless para inferencia dirigida por eventos, preprocesamiento ligero, disparadores de eventos de S3 y para encadenar llamadas a SageMaker dentro de flujos de negocio.
Por qué está en el examen: Los escenarios de despliegue del Dominio 3 distinguen entre "alojar en un endpoint de SageMaker" y "envolver en Lambda" — preguntas sobre costo, cold start y tamaño de payload son comunes.
Registro administrado de contenedores para las imágenes Docker que los trabajos de entrenamiento, trabajos de procesamiento y endpoints de inferencia de SageMaker descargan en tiempo de ejecución.
Por qué está en el examen: El Dominio 3 evalúa flujos BYOC (bring-your-own-container) para entrenamiento/inferencia personalizados — ECR es el registro nombrado, integrado con IAM.
Orquestador serverless de flujos de trabajo con integraciones nativas de SageMaker para entrenamiento, batch transform, despliegue de endpoints y composición con pasos de Lambda.
Por qué está en el examen: Distinguir Step Functions (orquestación multi-servicio) de SageMaker Pipelines (MLOps nativo de SageMaker) es un patrón distractor recurrente del Dominio 3.
Control de acceso a nivel de cuenta: usuarios, roles, políticas, federación y permisos de mínimo privilegio para cada acción sobre SageMaker, S3 y pipelines.
Por qué está en el examen: El Dominio 4 (Seguridad) evalúa los roles de ejecución de IAM para entrenamiento/inferencia, el uso compartido de modelos entre cuentas y las políticas basadas en recursos del data lake.
Creación y control administrados de claves criptográficas usadas para cifrar datos de entrenamiento, artefactos de modelos, volúmenes EBS de instancias de entrenamiento y payloads de endpoints.
Por qué está en el examen: El cifrado en reposo con claves administradas por el cliente es la respuesta canónica del Dominio 4 para proteger corpus de entrenamiento sensibles y la propiedad intelectual del modelo.
Métricas, logs y alarmas para invocaciones de endpoints de SageMaker, progreso de trabajos de entrenamiento, métricas personalizadas de modelo y duraciones de pasos de pipeline.
Por qué está en el examen: El Dominio 4 espera CloudWatch para alarmas de latencia/errores de endpoints, resolución de problemas en logs de entrenamiento y exposición de los hallazgos de Model Monitor a los equipos de operaciones.
Registro de auditoría a nivel de cuenta de cada llamada a la API — quién lanzó un trabajo de entrenamiento, quién actualizó un endpoint, quién descargó artefactos de modelo desde S3.
Por qué está en el examen: Los escenarios de cumplimiento del Dominio 4 citan a CloudTrail como el registro inmutable necesario para responder "quién desplegó este modelo" y "cuándo se accedió a los datos de entrenamiento."
$120k–$165k–$230k USD anual
El rango cubre roles de MLE de nivel medio a senior con sede en EE. UU. donde se requiere competencia en AWS. Los MLEs senior en FAANG / unicornio con frecuencia superan los $300k de TC. Los mercados de nivel inicial y no costeros tienden a ser más bajos. La certificación por sí sola no aumenta el salario; complementa un portafolio de sistemas de ML implementados.
Fuente: Roles de ingeniero de ML de levels.fyi 2025–2026, U.S. BLS OEWS May 2024 (15-2051 científicos de datos, 15-1252 desarrolladores de software). Las cifras son aproximadas; la compensación real depende del rol, la región y la experiencia.
La demanda de ingenieros de ML que pueden llevar modelos a producción —no solo entrenarlos en notebooks— se aceleró entre 2024 y 2026 a medida que las empresas operacionalizaban las cargas de trabajo de GenAI y ML clásico. MLA-C01 funciona como una señal creíble de que un candidato entiende SageMaker de principio a fin y puede manejar las compensaciones de MLOps. Los reclutadores en empresas centradas en AWS (servicios financieros, atención médica, equipos de datos minoristas) lo utilizan como filtro de selección junto con la experiencia en Python y PyTorch/TensorFlow. Combina naturalmente con el AI Practitioner (AIF-C01) y el Data Engineer Associate (DEA-C01) para un perfil más amplio de datos y ML. NO califica por sí mismo a los candidatos para roles de investigación de ML, puestos de especialista en deep learning o títulos de arquitecto de plataforma de ML; estos esperan experiencia de varios años en sistemas implementados, además a menudo de un título de posgrado.
No hay prerrequisitos formales. AWS recomienda al menos un año de experiencia práctica con SageMaker y flujos de trabajo de ML, además de conocimientos de Python, bibliotecas comunes de ML (scikit-learn, pandas, PyTorch o TensorFlow) y estadísticas básicas.
El camino más eficiente es aprobar AIF-C01 primero (vocabulario fundamental de IA), luego construir un pequeño proyecto de SageMaker de extremo a extremo —almacén de características, trabajo de entrenamiento, registro de modelos, punto de conexión en tiempo real, monitor— antes de presentarse a MLA-C01. Los candidatos con experiencia en Cloud Practitioner (CLF-C02) o Solutions Architect Associate (SAA-C03) encuentran las preguntas sobre servicios de AWS mucho más fáciles. Una formación puramente en ciencia de datos sin exposición a AWS es el punto de partida más difícil y generalmente requiere más de 80 horas de estudio adicional específico del servicio.
MLA-C01 está calificado como Asociado y es significativamente más difícil que AIF-C01 porque asume fluidez práctica con SageMaker. Planifique 80–120 horas durante 8–12 semanas si tiene experiencia previa en ML pero exposición limitada a AWS; 40–60 horas durante 4–6 semanas si ya trabaja diariamente en pipelines de ML de AWS. El examen consta de 65 preguntas puntuadas en 170 minutos —de opción múltiple y respuesta múltiple, sin laboratorios.
El obstáculo más común es la amplitud de los sub-servicios de SageMaker (Studio, Pipelines, Feature Store, Model Registry, Clarify, Model Monitor, JumpStart, Canvas, Autopilot, Ground Truth) —las preguntas a menudo dependen de elegir la herramienta adecuada para un escenario restringido. El segundo escollo son los modos de implementación: saber con precisión cuándo usar puntos de conexión en tiempo real, asíncronos, sin servidor o de transformación por lotes, y las compensaciones de costo y latencia de cada uno.
Disponibilidad general inicial. El examen beta se realizó a mediados de 2024. Reemplaza al antiguo Machine Learning Specialty (MLS-C01) para candidatos enfocados en ingeniería. Versión actual a abril de 2026.
MLA-C01 (AWS Certified Machine Learning Engineer Associate) es un examen de nivel Associate un examen de dificultad moderada que espera experiencia práctica y una sólida comprensión de las mejores prácticas. La mayoría de los candidatos necesitan entre 80 y 150 horas de estudio distribuidas en 6 a 12 semanas para los exámenes de nivel asociado. La mayoría de los candidatos que obtienen consistentemente una puntuación por encima del umbral de aprobación en los exámenes de práctica, aprueban en su primer intento.
La mayoría de los candidatos necesitan entre 80 y 150 horas de estudio distribuidas en 6 a 12 semanas para los exámenes de nivel asociado. El tiempo para aprobar varía ampliamente según la experiencia previa. Los ingenieros con experiencia práctica en producción en la tecnología subyacente suelen necesitar menos; los candidatos nuevos en la plataforma deben planificar hacia el extremo superior de ese rango.
MLA-C01 es una credencial reconocida en el ecosistema de AWS y señala conocimientos validados a empleadores, reclutadores y clientes. Si vale la pena el tiempo y la tarifa para ti, depende de tu rol y objetivos — tiende a ser más rentable para ingenieros de la nube, arquitectos y consultores que trabajan con AWS a diario o quieren pasar a roles que lo hagan.
La puntuación de aprobación para MLA-C01 es 720 / 1000. El examen contiene 65 preguntas y dura 2 h 50 min.
La tarifa del examen MLA-C01 es de $150 USD. Las tarifas son establecidas por AWS y pueden variar según la región; siempre confirma el precio actual en la página oficial de certificación de AWS antes de reservar.
Las certificaciones de AWS son válidas por 3 años. Recertifícate aprobando la versión actual del mismo examen, o aprobando un examen de nivel superior en la misma ruta antes de la caducidad.
Sí. Puedes realizar el examen en línea (supervisado a través del navegador seguro del proveedor, disponible 24/7 en la mayoría de las regiones) o en un centro de examen presencial de Pearson VUE durante el horario comercial. Ambos formatos utilizan las mismas preguntas, límite de tiempo y puntuación de aprobación.
CertLabPro ofrece 15 modos de estudio en todo el banco de preguntas de práctica para MLA-C01. El modo de simulación de examen reproduce el examen real: 65 preguntas en 2 h 50 min, con el mismo umbral de aprobación de 720 / 1000. El modo de navegación te permite leer todas las preguntas y respuestas de forma estática.