Aspectos básicos de la IA y el ML
Qué aprenderá
En este dominio se aprende la relación entre la inteligencia artificial (IA), el aprendizaje automático (ML) y el aprendizaje profundo (DL), las diferencias entre el aprendizaje supervisado, el no supervisado y el aprendizaje por refuerzo, y el ciclo de vida general que sigue un proyecto de ML. Es el dominio fundamental que representa el 20 % de las preguntas del AIF-C01 y constituye la base de todos los contenidos posteriores.
Puntos clave
- Relación de inclusión IA ⊃ ML ⊃ DL: la IA es el concepto más amplio, el ML es un método de la IA y el DL es un método de ML basado en redes neuronales
- IA generativa e IA agéntica: la IA generativa es una aplicación del aprendizaje profundo que crea contenido nuevo con modelos fundacionales, y la IA agéntica es una IA que avanza de forma autónoma por varios pasos y herramientas hacia un objetivo
- ¿ML tradicional o modelo fundacional?: cuanto más estrictos son el cumplimiento normativo, la necesidad de explicar y las restricciones de operación (tiempo de respuesta o coste), más conviene el ML tradicional; cuanto más amplias son las entradas que debe manejar el caso de uso, más conviene un modelo fundacional
- Aprendizaje supervisado: aprende a partir de pares de entrada y respuesta correcta (etiqueta). Se divide en clasificación (categórica) y regresión (numérica)
- Aprendizaje no supervisado: descubre la estructura de los datos sin etiquetas de respuesta. El agrupamiento, la reducción de dimensionalidad y la detección de anomalías son ejemplos representativos
- Aprendizaje por refuerzo: un agente interactúa con un entorno y aprende las acciones que maximizan la recompensa
- Ciclo de vida del ML: el ciclo repetido de recopilación de datos → preprocesamiento → entrenamiento → evaluación → despliegue → monitorización
- Servicios de AWS para cada etapa del pipeline: SageMaker AI para desarrollar y operar modelos propios, Bedrock para incorporar modelos fundacionales, Kiro para escribir el código y Amazon Quick para el uso en el trabajo (la guía del examen 1.1 (versión en inglés) también menciona como ejemplo Amazon Q)
- Sobreajuste (overfitting): el fenómeno por el cual el modelo se ajusta a los datos de entrenamiento pero pierde rendimiento con los datos de prueba. Se requieren técnicas para preservar la capacidad de generalización
- Inferencia (inference): el proceso de obtener predicciones al introducir nuevas entradas en un modelo ya entrenado. Existen cuatro modalidades: en tiempo real, por lotes, asíncrona y sin servidor
Términos y conceptos
Relación entre IA, aprendizaje automático y aprendizaje profundo
La IA es un concepto amplio que abarca todas las "técnicas que imitan el comportamiento inteligente humano". El ML es un método de la IA que "aprende reglas automáticamente a partir de los datos", y el DL es un método de ML que "utiliza redes neuronales de múltiples capas". La mayoría de la IA generativa es una aplicación del DL.
El lugar de la IA generativa y la IA agéntica
La IA generativa es el campo que usa modelos fundacionales creados con aprendizaje profundo para crear contenido nuevo, como textos, imágenes o código. La IA agéntica es una IA que, para cumplir un objetivo dado, elabora un plan y avanza de forma autónoma por varios pasos y llamadas a herramientas. Mientras que la IA tradicional responde una vez cada vez que recibe una instrucción, la IA agéntica usa la capacidad de razonamiento del modelo fundacional y repite el ciclo de decidir y ejecutar hasta alcanzar el objetivo.
¿ML tradicional o modelo fundacional?
Para evaluaciones en las que hay que explicar el motivo de la decisión a los reguladores o a los clientes, convienen los modelos de ML tradicionales, de funcionamiento sencillo y fáciles de explicar. Cuando hay restricciones de operación, como límites estrictos de tiempo de respuesta o de coste por solicitud, también encaja un modelo tradicional pequeño. En casos como resumir textos o mantener conversaciones, que manejan entradas muy variadas y para los que es difícil preparar datos de entrenamiento por cada uso, conviene un modelo fundacional. Si el proceso puede escribirse con reglas fijas, ni siquiera hace falta usar ML.
→ Desarrollo de ML con SageMaker / → Amazon Bedrock Glosario
Aprendizaje supervisado y aprendizaje no supervisado
El aprendizaje supervisado aprende a partir de datos etiquetados y se utiliza para la clasificación de imágenes o la predicción de ventas. El aprendizaje no supervisado descubre la estructura a partir de datos sin etiquetar y se utiliza para la segmentación de clientes o la detección de anomalías. El aprendizaje semisupervisado es un punto intermedio entre ambos.
Aprendizaje por refuerzo (Reinforcement Learning)
Es un método en el que un agente (el aprendiz) elige acciones sobre un entorno y aprende una estrategia que maximiza la recompensa obtenida como resultado. Se utiliza en IA para juegos, control de robots, optimización de recomendaciones y en el RLHF (aprendizaje por refuerzo a partir de retroalimentación humana) de la IA generativa.
Sobreajuste y generalización
El sobreajuste es el fenómeno por el cual el modelo se ajusta en exceso a los datos de entrenamiento y pierde rendimiento con datos desconocidos. Se previene aumentando la cantidad de datos, con regularización, dropout, validación cruzada, etc. Por el contrario, el subajuste (underfitting) es el estado en el que el modelo es demasiado simple y ni siquiera consigue aprender los datos de entrenamiento. El grado de generalización se mide con datos de prueba que no se usaron en el entrenamiento; en los modelos de clasificación, además de la exactitud, se observan la precisión (la proporción de los casos predichos como positivos que de verdad lo eran), la exhaustividad (la proporción de los positivos reales que se lograron detectar) y la puntuación F1, que es la media armónica de ambas.
Servicios de AWS para cada etapa del pipeline de IA y ML
En la etapa en la que uno mismo avanza desde la preparación de los datos hasta el entrenamiento, la evaluación, el despliegue y la monitorización del modelo, se usa Amazon SageMaker AI. En la etapa de llamar a modelos fundacionales desde una API sin entrenarlos e incorporarlos a una aplicación, el centro es Amazon Bedrock. Para escribir el código de esa aplicación se usa Kiro, y para usar en el trabajo la IA ya construida, el servicio que la acoge es Amazon Quick. La guía del examen 1.1 (versión en inglés) también menciona como ejemplo Amazon Q (nombres y clasificación a octubre de 2026).
→ Amazon Bedrock Glosario / → Desarrollo guiado por especificaciones con Kiro / → Uso práctico de Amazon Quick
Modalidades de inferencia (Inference)
La inferencia en tiempo real es el método que devuelve una predicción de inmediato en cada solicitud y se usa en casos que requieren baja latencia (por ejemplo, un chatbot). La inferencia por lotes es el método que procesa de una vez un volumen de datos (por ejemplo, predecir de noche las compras de todos los clientes) y no necesita un punto de enlace funcionando de forma permanente. La inferencia asíncrona es el método que pone las solicitudes en una cola y las procesa por orden; es adecuada para entradas grandes o procesos que tardan mucho, y permite reducir las instancias a 0 mientras no hay solicitudes. La inferencia sin servidor es un método de pago por uso que se puede utilizar sin elegir el tipo de instancia ni configurar el escalado, y que aumenta o reduce la capacidad automáticamente según el volumen de llamadas. Es adecuada para casos con periodos de inactividad entre llamadas y que toleran el tiempo de espera del arranque (arranque en frío).