Dominio de contenido 1: Aspectos básicos de la IA y el ML

Definir los términos básicos de la IA (por ejemplo, IA, ML, aprendizaje profundo, redes neuronales, visión artificial, procesamiento de lenguaje natural [NLP], modelo, algoritmo, entrenamiento e inferencia, sesgo, equidad, adecuación y modelos de lenguaje de gran tamaño [LLM]).

Describir las similitudes y diferencias entre la IA, el ML, la IA generativa y el aprendizaje profundo.

Describir varios tipos de inferencias (por ejemplo, por lotes o en tiempo real).

Describir los diferentes tipos de datos en los modelos de IA (por ejemplo, etiquetados y sin etiquetar, tabulares, series temporales, imágenes, texto, estructurados y no estructurados).

Describir el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo.

Reconocer las aplicaciones a las que la IA o el ML pueden aportar valor (por ejemplo, en la asistencia a las personas para la toma de decisiones, la escalabilidad de soluciones y la automatización).

Determinar cuándo las soluciones de IA o ML no son apropiadas (por ejemplo, análisis de costo-beneficio y situaciones en las que se necesita un resultado específico, en lugar de una predicción).

Seleccionar las técnicas de ML adecuadas para casos de uso específicos (por ejemplo, la regresión, la clasificación y la agrupación en clústeres).

Identificar ejemplos de aplicaciones de IA del mundo real (por ejemplo, visión artificial, NLP, reconocimiento de voz, sistemas de recomendación, detección de fraude y pronósticos).

Explicar las capacidades de los servicios de IA o ML administrados por AWS (por ejemplo, Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex y Amazon Polly).

Describir los componentes de una canalización de ML (por ejemplo, la recopilación de datos, el análisis exploratorio de datos [EDA], el preprocesamiento de datos, la ingeniería de características, el entrenamiento de modelos, el ajuste de hiperparámetros, la evaluación, la implementación y la supervisión).

Describir las fuentes de los modelos de ML (por ejemplo, modelos previamente entrenados de código abierto y modelos personalizados de entrenamiento).

Describir los métodos para usar un modelo en producción (por ejemplo, el servicio de API administrado y la API autoalojada).

Identificar los servicios y las características de AWS relevantes para cada etapa de una canalización de ML (por ejemplo, SageMaker AI, Amazon SageMaker Data Wrangler, el Almacén de características de SageMaker y SageMaker Model Monitor).

Describir los conceptos fundamentales de las operaciones de ML (MLOps) (por ejemplo, la experimentación, los procesos repetibles, los sistemas escalables, la administración de la deuda técnica, el logro de la preparación para la producción, la supervisión de modelos y el reentrenamiento de modelos).

Describir las métricas de rendimiento del modelo (por ejemplo, la exactitud, el área bajo la curva [AUC] y la puntuación F1) y las métricas empresariales (por ejemplo, el costo por usuario, los costos de desarrollo, la opinión de los clientes y el retorno de la inversión [ROI]) para evaluar los modelos de ML.