Última revisión: junio de 2026
Una referencia escaneable de patrones arquitectónicos que evalúa el examen C1000-185. Lee de arriba a abajo o salta a una sección.
La empresa necesita un modelo que siga instrucciones con licencia permisiva e indemnización.
Elija un modelo de instrucción IBM Granite del catálogo de watsonx.ai en lugar de un modelo alojado de terceros.
Por qué: Los modelos Granite son construidos, gobernados por IBM y cuentan con la indemnización de propiedad intelectual de IBM — la elección segura por defecto para cargas de trabajo reguladas.
Seleccionar entre una variante ajustada para chat y una ajustada para instrucciones para una tarea de extracción de una sola interacción.
Utilice la variante de instrucción con un prompt directivo claro; reserve los modelos de chat para diálogos de múltiples interacciones.
Por qué: Los modelos de chat esperan interacciones estructuradas por roles; para tareas de una sola vez, el modelo de instrucción es más simple y económico.
La salida debe ser determinística y reproducible para un informe de cumplimiento.
Configure la decodificación en modo greedy (sin muestreo) para que siempre se elija el token de mayor probabilidad.
Por qué: La decodificación greedy elimina la aleatoriedad; el muestreo con temperatura introduce variación que no desea en una salida auditada.
La generación de textos creativos se siente repetitiva y sosa.
Cambie a la decodificación por muestreo y aumente la temperatura (por ejemplo, 0.7-1.0) para ampliar la distribución de tokens.
Por qué: Una temperatura más alta aplana las probabilidades, de modo que se seleccionan tokens de menor rango, aumentando la diversidad.
La salida de muestreo ocasionalmente se desvía del tema con tokens raros.
Restrinja el muestreo con top-k o top-p (núcleo) para limitar los candidatos a los tokens más probables.
Por qué: top-k limita el número de candidatos; top-p limita la masa de probabilidad acumulada — ambos recortan la cola larga que causa la desviación.
El modelo se repite, repitiendo la misma frase u oración.
Aumente el parámetro de penalización por repetición para desincentivar la reemisión de tokens recientes.
Por qué: La penalización reduce la probabilidad de tokens ya vistos; las secuencias de parada por sí solas no solucionan los bucles a mitad de generación.
La generación supera la respuesta y entra en un texto de seguimiento alucinado.
Defina una o más secuencias de parada (por ejemplo, "\n\n", "###") para que la generación se detenga en un límite conocido.
Por qué: Las secuencias de parada terminan la salida de forma determinística; depender solo del número máximo de tokens trunca a mitad de frase.
Las respuestas se están cortando antes de completar el JSON solicitado.
Aumente el máximo de nuevos tokens; establezca el mínimo de nuevos tokens para forzar una respuesta de longitud mínima cuando sea necesario.
Por qué: El máximo de nuevos tokens limita la longitud de la salida; si es demasiado bajo, trunca la salida estructurada antes de la llave de cierre.
La clasificación zero-shot etiqueta incorrectamente casos extremos.
Añada un puñado de ejemplos de entrada/salida etiquetados (few-shot) directamente en el prompt.
Por qué: Los ejemplos few-shot establecen el formato de salida y el límite de decisión en contexto sin necesidad de ajuste.
El equipo quiere iterar en un prompt antes de escribir cualquier código.
Utilice Prompt Lab — cambie entre los modos de forma libre, estructurado y chat, ajuste los parámetros y luego guárdelo como una plantilla de prompt.
Por qué: Prompt Lab es la interfaz de iteración sin código; el modo estructurado separa las instrucciones, ejemplos y entrada de forma limpia.
Los documentos largos exceden la ventana de contexto del modelo elegido.
Divida y recupere solo los pasajes relevantes (RAG) o elija un modelo de contexto más largo del catálogo.
Por qué: No puede exceder el límite de tokens del modelo; insertar más texto causa errores o se descarta silenciosamente — la recuperación es la solución escalable.
La prompt engineering se estanca en una tarea de dominio estrecho que necesita un estilo consistente.
Ejecute el prompt tuning en el Tuning Studio para aprender un soft prompt (vector ajustado) con ejemplos etiquetados.
Por qué: El prompt tuning adapta el comportamiento sin cambiar los pesos base — más económico que el fine-tuning, más fiable que los prompts largos.
El modelo carece de conocimiento empresarial actualizado y fáctico.
Utilice RAG para basar las respuestas en documentos recuperados en lugar de ajustar el modelo con esos hechos.
Por qué: El ajuste enseña estilo/comportamiento, no hechos nuevos; RAG inyecta contexto fundamentado actual y es fácil de actualizar.
Decidir entre prompt tuning y fine-tuning completo para un proyecto watsonx de nivel asociado.
Prefiera el prompt tuning: entrena muchos menos parámetros, se ejecuta más rápido y es la ruta compatible en Tuning Studio.
Por qué: El fine-tuning completo es costoso, necesita grandes conjuntos de datos y conlleva el riesgo de un olvido catastrófico; el prompt tuning es el valor predeterminado de watsonx.
Preparando datos para ajustar un modelo de resumen mediante prompt tuning.
Proporcione pares de entrada/salida en el formato JSON/JSONL esperado, divididos en conjuntos de entrenamiento y validación.
Por qué: Los pares limpios y representativos impulsan la calidad del ajuste; se necesita un conjunto de validación retenido para evaluar la generalización.
La curva de pérdida de ajuste se aplana tempranamente mientras que la pérdida de validación comienza a aumentar.
Detenga o reduzca las épocas — el modelo está comenzando a sobreajustarse al conjunto de entrenamiento.
Por qué: La divergencia en la pérdida de entrenamiento/validación es la señal clásica de sobreajuste; más épocas memorizarían, no generalizarían.
Los resultados del prompt-tuning son inestables entre ejecuciones.
Ajuste la tasa de aprendizaje, el número de épocas, el tamaño del lote y el número de tokens virtuales en la configuración de ajuste.
Por qué: Una tasa de aprendizaje demasiado alta desestabiliza el entrenamiento; estas son las palancas que Tuning Studio expone para la convergencia.
Necesidad de comparar dos prompts o activos ajustados de forma objetiva.
Evalúe con métricas de tarea (por ejemplo, ROUGE/BLEU para resumen, exact-match/F1 para extracción) más revisión humana.
Por qué: La calidad generativa es multidimensional; las métricas automatizadas detectan regresiones, pero la revisión humana juzga la fidelidad.
El modelo ajustado sigue inventando hechos no presentes en la fuente.
Fundamente con RAG, baje la temperatura e instruya al modelo para que responda solo a partir del contexto proporcionado o diga que no lo sabe.
Por qué: La alucinación es un problema de fundamentación y decodificación más que un problema de pesos; la recuperación más las restricciones solucionan la mayor parte.
Solo unas pocas docenas de ejemplos etiquetados están disponibles para la adaptación.
Manténgase con el few-shot prompting o un ligero prompt tuning; no realice fine-tuning con datos pequeños.
Por qué: Los conjuntos de datos pequeños se sobreajustan gravemente con el fine-tuning completo; los ejemplos en contexto generalizan mejor a esa escala.
Elegir qué modelo base ajustar mediante prompt tuning para una tarea de clasificación.
Elija un modelo base Granite sintonizable que Tuning Studio admita para el prompt tuning, dimensionado para la tarea.
Por qué: No todos los modelos del catálogo son sintonizables; ajustar un modelo compatible más pequeño es más económico y a menudo suficiente para la clasificación.
La calidad de la salida generativa debe ser rastreada continuamente en producción.
Configure las métricas de evaluación de watsonx.governance (calidad, desviación, métricas de IA generativa) para el despliegue.
Por qué: La gobernanza convierte la evaluación única en umbrales monitoreados con alertas, no en una verificación manual puntual.
El mismo prompt ajustado debe servir a muchas entradas con diferentes campos.
Parametrice la plantilla del prompt con variables nombradas y proporcione los valores en el momento de la inferencia.
Por qué: Las variables mantienen una plantilla reutilizable en lugar de codificar las entradas, y se mapean limpiamente a los parámetros de la API.
Un modelo ignora la instrucción de la tarea y simplemente continúa el texto.
Utilice un modelo ajustado para instrucciones y formule el prompt como una directiva explícita, no como un fragmento a completar.
Por qué: Los modelos base de completado continúan patrones; los modelos de instrucción están entrenados para seguir directivas.
Necesidad de ejecutar SQL interactivo en datos de almacenamiento de objetos para la preparación de características de IA.
Utilice el motor Presto de watsonx.data sobre tablas Iceberg en el almacenamiento de objetos.
Por qué: Presto proporciona SQL federado rápido en formatos de tabla abiertos sin copiar datos a un almacén.
Los datos analíticos necesitan evolución de esquema y viaje en el tiempo en el lakehouse.
Almacénelo como tablas Apache Iceberg gestionadas por watsonx.data.
Por qué: Iceberg soporta la evolución de esquemas, instantáneas y operaciones ACID en el almacenamiento de objetos — el valor predeterminado de lakehouse.
Elección de un motor para transformación ETL pesada frente a consulta ad-hoc.
Utilice Spark para transformaciones ETL/de lotes grandes; utilice Presto para SQL interactivo y de baja latencia.
Por qué: Spark escala la computación por lotes; Presto está optimizado para consultas federadas rápidas — elija según la forma de la carga de trabajo.
RAG necesita un almacén vectorial para embeddings coubicado con datos gobernados.
Provisión de Milvus dentro de watsonx.data como base de datos vectorial para búsqueda de similitud.
Por qué: Milvus es el almacén vectorial integrado de watsonx.data; mantener los embeddings en el lakehouse simplifica la gobernanza.
Decidir entre Milvus y watsonx Discovery para la recuperación.
Utilice Milvus para la similitud vectorial bruta que usted controla; utilice watsonx Discovery (basado en Elasticsearch) para la búsqueda empresarial gestionada con recuperación híbrida.
Por qué: Milvus es una base de datos vectorial que usted opera; Discovery es un servicio de búsqueda de nivel superior con ingesta y clasificación incorporadas.
Preparar documentos para que un modelo fundacional pueda basar respuestas en ellos.
Divida los documentos, genere embeddings con un modelo de embeddings de watsonx.ai e indexelos en Milvus.
Por qué: La calidad de la recuperación depende de una división en trozos sensata y de un modelo de embeddings adecuado; dimensiones no coincidentes rompen el índice.
La característica de IA necesita datos distribuidos en múltiples bases de datos y buckets.
Registre las fuentes en watsonx.data y consúltelas in situ a través de la federación del motor.
Por qué: La federación evita la costosa duplicación de datos y mantiene un único punto de acceso gobernado.
El equipo de gobernanza requiere linaje y control de acceso sobre los datos que alimentan los modelos.
Catalogue los conjuntos de datos en el catálogo de watsonx.data y aplique acceso basado en IAM/políticas.
Por qué: Un catálogo gobernado es lo que vincula el linaje de datos con las fichas técnicas del modelo más adelante — el acceso ad-hoc a buckets lo elude.
Un proyecto de watsonx.ai debe leer tablas lakehouse curadas para RAG.
Añada una conexión a watsonx.data al proyecto y referencie las tablas como activos de datos.
Por qué: Las conexiones exponen datos gobernados del lakehouse al proyecto de IA sin exportar copias.
Un prompt funcional de Prompt Lab debe convertirse en un activo reutilizable y desplegable.
Guárdelo como un activo de plantilla de prompt en el proyecto, luego promuévalo a un espacio de despliegue.
Por qué: Los espacios de despliegue son el límite de producción; los prompts deben ser promovidos allí antes de poder ser servidos.
Una aplicación necesita un endpoint de inferencia de baja latencia para un prompt ajustado.
Cree un despliegue en línea en el espacio de despliegue; este expone un endpoint REST de puntuación/generación.
Por qué: Los despliegues en línea proporcionan un endpoint síncrono; los despliegues por lotes son para trabajos de puntuación fuera de línea.
Llamar a un modelo fundacional desde código de aplicación Python.
Utilice la clase ModelInference del SDK de Python de watsonx.ai y llame a generate_text con sus parámetros.
Por qué: ModelInference envuelve la autenticación, el ID del modelo, el proyecto/espacio y los parámetros en un solo cliente — más limpio que REST puro.
Un servicio no-Python debe llamar a la inferencia de watsonx.ai.
Llame al endpoint REST de generación de texto de watsonx.ai con el ID del modelo, la entrada y los parámetros en el cuerpo JSON.
Por qué: La API REST es independiente del lenguaje; el SDK es solo un envoltorio sobre los mismos endpoints.
Autenticar llamadas SDK o API a watsonx.ai.
Intercambie una clave de API de IBM Cloud IAM por un token de portador, luego llame al endpoint con ese token y su ID de proyecto/espacio.
Por qué: watsonx utiliza IBM Cloud IAM; incrustar la clave de API sin procesar en cada llamada o codificar tokens es incorrecto e inseguro.
Decidir dónde reside un activo de modelo durante el desarrollo frente al servicio.
Desarrolle y experimente en un proyecto; promueva el activo a un espacio de despliegue para servirlo.
Por qué: Los proyectos son entornos de desarrollo colaborativos; los espacios de despliegue contienen activos promovidos a producción y controlados por acceso.
Conectar la recuperación y la generación en un flujo de aplicación.
Incorpore la consulta, recupere los k mejores fragmentos de Milvus/Discovery, inyéctelos en la plantilla del prompt y luego llame al modelo desplegado.
Por qué: El orden de recuperar y luego generar es lo que fundamenta la respuesta; llamar primero al modelo anula RAG.
Mapeo de una carga de trabajo de GenAI a la familia de productos watsonx.
Construya y ajuste en watsonx.ai, almacene/consulte datos en watsonx.data, gobierne y supervise en watsonx.governance.
Por qué: Los tres componentes son complementarios, no intercambiables — saber qué hace cada uno es conocimiento fundamental para el examen.
La empresa necesita watsonx on-premise por razones de residencia de datos.
Despliegue watsonx como software en Cloud Pak for Data (Red Hat OpenShift) en lugar de la oferta SaaS de IBM Cloud.
Por qué: SaaS se ejecuta en IBM Cloud; el factor de forma de software se ejecuta en su propio clúster de OpenShift para necesidades de residencia/air-gap.
Organizar el trabajo colaborativo de GenAI y sus artefactos.
Utilice un proyecto watsonx como el espacio de trabajo que contiene activos de datos, notebooks, prompts y modelos ajustados con acceso compartido.
Por qué: Los proyectos son la unidad de colaboración y definición de alcance de activos; los espacios de despliegue son separados y orientados a producción.
Controlar quién puede acceder a qué instancias y activos de watsonx.
Utilice cuentas de IBM Cloud, grupos de recursos y políticas/roles de acceso de IAM para definir el alcance del acceso.
Por qué: El acceso en watsonx se basa en IAM a nivel de cuenta/grupo de recursos — no solo en el intercambio ad-hoc por activo.
Estimación del costo de ejecutar la inferencia del modelo fundacional.
Considere la facturación basada en tokens en la inferencia de watsonx.ai más los motores/almacenamiento provisionados en watsonx.data.
Por qué: El costo de GenAI está dominado por los tokens de entrada/salida; la computación de lakehouse y almacenes vectoriales son elementos de línea separados.
Esbozar una arquitectura RAG de producción en watsonx.
Datos del Lakehouse → embeddings en Milvus → recuperación + generación de watsonx.ai → aplicación, con monitoreo continuo de watsonx.governance.
Por qué: Este flujo de extremo a extremo es el patrón de referencia canónico de watsonx que el examen espera que reconozca.
Los auditores solicitan un registro del ciclo de vida y la procedencia de un modelo desplegado.
Utilice las fichas técnicas de IA de watsonx.governance para capturar metadatos del modelo, linaje y aprobaciones a lo largo del ciclo de vida.
Por qué: Las fichas técnicas son el sistema de registro de watsonx para la procedencia del modelo — la respuesta documentada a "de dónde vino este modelo".
Las salidas de un modelo de producción se degradan con el tiempo.
Configure monitores de desviación y calidad de watsonx.governance con umbrales y alertas en el despliegue.
Por qué: El monitoreo continuo detecta la desviación antes que los usuarios; la validación única no puede detectar la degradación posterior al despliegue.
Un modelo debe ser revisado por trato injusto entre grupos protegidos.
Ejecute evaluaciones de equidad/sesgo en watsonx.governance y documente la mitigación en la ficha técnica.
Por qué: Las obligaciones de IA responsable requieren una equidad medida y registrada — no solo una suposición no medida de equidad.
El equipo de cumplimiento necesita el sistema GenAI mapeado a las regulaciones de IA.
Utilice watsonx.governance para rastrear riesgos, vincular controles a regulaciones y mantener evidencia lista para auditorías.
Por qué: La gobernanza vincula el riesgo del modelo con los controles regulatorios en un solo lugar, que es lo que requieren las auditorías y los principios de IA responsable de IBM.