Muchas respuestas incorrectas en MLA-C01 no vienen de desconocer un concepto, sino de elegir el servicio parecido. Solo de herramientas de preparación de datos hay cuatro o cinco, las herramientas para mirar dentro de un modelo se reparten entre Clarify, Debugger y Model Monitor, y hay varias opciones de inferencia y configuraciones de endpoint. Cuando dos opciones aparecen en pareja, como Data Wrangler y Glue DataBrew, no basta con conocer cada definición; hay que poder decir en una frase el criterio que las separa.
Este artículo es la entrega de repaso de la serie de estudio de MLA-C01. De los servicios explicados por separado en los artículos de cada dominio, elige solo los grupos que suelen aparecer como respuesta incorrecta del otro y los reorganiza por los criterios que los separan y las pistas de las preguntas. Al final también reúne los servicios y funciones que cambiaron de nombre o cerraron a nuevos registros.
---
Tres Preguntas que Separan los Servicios que se Confunden
Ante dos servicios parecidos, hacer estas tres preguntas en orden resuelve la mayoría de los casos.
| Pregunta | Qué separa | Ejemplo | |------|------|------| | ¿Cuándo se usa? | La etapa del ciclo de vida de ML (antes, durante o después del entrenamiento) | Clarify para el sesgo antes y después del entrenamiento, Debugger durante el entrenamiento, Model Monitor tras el despliegue | | ¿Quién escribe el código? | Herramientas sin código vs. herramientas con código | DataBrew con clics, Glue ETL con código Spark | | ¿Con qué rapidez y a qué escala? | Tiempo real vs. lotes, tamaño y latencia | El endpoint en tiempo real responde al instante, la transformación por lotes procesa grandes volúmenes de una vez |
---
Dominio 1: Pares que se Confunden en la Preparación de Datos
Data Wrangler vs. Glue DataBrew vs. Glue ETL vs. SageMaker Processing
| Aspecto | Data Wrangler | Glue DataBrew | Glue ETL | SageMaker Processing | |------|------|------|------|------| | Enfoque | Preparación visual de datos para ML (ahora dentro de SageMaker Canvas) | Limpieza y normalización de datos sin código | ETL con código Spark sin servidor | Ejecuta tus propios scripts en contenedores administrados | | Usuarios principales | Profesionales de ML | Analistas y responsables de preparar datos | Ingenieros de datos | Ingenieros de ML | | Pista en la pregunta | "crear características de ML de forma visual y pasar directo al entrenamiento" | "limpiar la calidad de los datos sin código" | "transformar muchos orígenes a gran escala, Catálogo de Datos" | "un paso de preprocesamiento o evaluación dentro de un pipeline de SageMaker" |
Cuando hay que controlar directamente grandes clústeres de Spark o Hadoop o bajar costos con instancias Spot, la respuesta es Amazon EMR.
!Espectro de herramientas de preparación de datos, desde Data Wrangler y DataBrew sin código hasta Glue ETL, SageMaker Processing y EMR
Cómo Lee los Datos el Entrenamiento: Modos File, FastFile y Pipe, FSx for Lustre y EFS
| Método | Características | Pista en la pregunta | |------|------|------| | Modo File de S3 | Copia todos los datos a la instancia antes de empezar a entrenar | Datos pequeños, la opción por defecto | | Modo FastFile de S3 | Parecen archivos pero se leen de S3 bajo demanda, así que el entrenamiento arranca rápido | Datos grandes, arranque rápido sin cambiar el código | | Modo Pipe de S3 | Lee de S3 como un flujo | El enfoque antiguo, hoy reemplazado en gran parte por FastFile | | FSx for Lustre | Sistema de archivos paralelo de alto rendimiento vinculado a S3 | Entrenamiento distribuido grande, lecturas rápidas y repetidas de los mismos datos durante muchas épocas | | EFS | Sistema de archivos compartido por varias instancias | Los datos ya están en EFS |
Almacén en Línea vs. Almacén sin Conexión de Feature Store
El almacén en línea es para inferencia y lee los valores más recientes de las características en milisegundos, mientras que el almacén sin conexión es para entrenamiento y guarda todo el historial en S3. Escribir las mismas características en ambos mantiene coherentes las del entrenamiento y las del servicio.
Artículos relacionados: Ingesta y Almacenamiento de Datos, Pipelines de ML en Streaming y Basados en Eventos, Ingeniería de Características y Calidad de Datos
---
Dominio 2: Pares que se Confunden en el Desarrollo de Modelos
JumpStart vs. Bedrock vs. Autopilot (Canvas) vs. Algoritmos Integrados
| Aspecto | SageMaker JumpStart | Amazon Bedrock | Autopilot (Canvas) | Algoritmos integrados | |------|------|------|------|------| | Núcleo | Desplegar y ajustar modelos y soluciones preentrenados en tu propio entorno de SageMaker | Usar y personalizar modelos fundacionales mediante una API sin servidor | Le das los datos y busca y entrena modelos automáticamente (AutoML) | Entrenar directamente con algoritmos como XGBoost | | Gestión de infraestructura | Elegir y administrar las instancias del endpoint | Ninguna | Casi ninguna | Elegir instancias de entrenamiento y despliegue | | Pista en la pregunta | "un modelo abierto en instancias de nuestra VPC" | "una API de IA generativa sin infraestructura" | "el mejor modelo a partir de datos tabulares sin especialistas en ML" | "controlar directamente el algoritmo y los hiperparámetros" |
Clarify vs. Debugger vs. Model Monitor vs. MLflow
| Aspecto | Clarify | Debugger | Model Monitor | MLflow (antes Experiments) | |------|------|------|------|------| | Cuándo | Antes y después del entrenamiento | Durante el entrenamiento | Después del despliegue | Mientras experimentas | | Qué hace | Métricas de sesgo, explicaciones con SHAP | Vigila tensores y pérdida, detecta problemas de convergencia, detiene automáticamente | Deriva de calidad de datos, calidad del modelo, sesgo y atribución de características | Registra y compara parámetros, métricas y artefactos de los experimentos | | Pista en la pregunta | "equidad", "qué característica influyó" | "desvanecimiento del gradiente", "la pérdida no baja" | "la distribución de entrada cambió en producción" | "reproducir y comparar varios experimentos" |
Clarify, Debugger y Model Monitor no aceptan clientes nuevos desde el 30 de julio de 2026, pero en MLA-C01 siguen siendo la respuesta para estas situaciones.
Registro de Modelos vs. Seguimiento de Experimentos con MLflow, Ground Truth vs. A2I
El registro de modelos gestiona las versiones y el estado de aprobación de los modelos que se van a desplegar, mientras que el seguimiento de experimentos registra qué configuración produjo qué resultado. Ground Truth etiqueta los datos antes del entrenamiento, y A2I hace que personas revisen los resultados después de la inferencia.
Artículos relacionados: Elección del Enfoque de Modelado, Cómo Elegir Servicios de IA de AWS, Métricas de Evaluación en la Práctica y Desequilibrio de Clases
---
Dominio 3: Pares que se Confunden en el Despliegue y la Orquestación
Tiempo Real vs. Sin Servidor vs. Asíncrona vs. Transformación por Lotes
| Aspecto | Tiempo real | Sin servidor | Asíncrona | Transformación por lotes | |------|------|------|------|------| | Carga útil y tiempo de procesamiento | Hasta 25 MB, 60 segundos | Hasta 4 MB, 60 segundos | Hasta 1 GB, 1 hora | Conjuntos de datos de GB, incluso días | | Bajar a cero | No (sí con componentes de inferencia) | Automático | Sí | Las instancias terminan al acabar el trabajo | | Pista en la pregunta | "respuestas en milisegundos, tráfico constante" | "tráfico intermitente, se aceptan arranques en frío" | "archivos grandes, minutos de procesamiento, una cola" | "puntuar todos los datos cada noche" |
Multimodelo vs. Multicontenedor vs. Pipeline de Inferencia vs. Componentes de Inferencia
| Aspecto | Qué hace | Pista en la pregunta | |------|------|------| | Endpoint multimodelo (MME) | Mantiene miles de modelos del mismo marco en un endpoint y los carga en memoria cuando se invocan | "miles de modelos por cliente, menor costo, se acepta la latencia de la primera llamada" | | Endpoint multicontenedor | Invoca por separado varios contenedores de marcos distintos en un endpoint | "un modelo de TensorFlow y uno de PyTorch en un endpoint" | | Pipeline de inferencia | Ejecuta de 2 a 15 contenedores en secuencia (preprocesamiento → modelo → posprocesamiento) | "aplicar en inferencia exactamente el mismo preprocesamiento que en entrenamiento" | | Componentes de inferencia | Asigna recursos por separado a varios modelos de un endpoint y los escala por separado | "repartir CPU y memoria por modelo y bajar a cero" |
Estrategias de Despliegue: Azul/Verde, Canario, Lineal, Sombra y A/B
Azul/verde crea un entorno nuevo y le traslada el tráfico, canario envía primero una pequeña parte y después todo, y lineal traslada el tráfico en pasos iguales. Las tres pueden revertirse automáticamente con alarmas de CloudWatch. La prueba en sombra evalúa un modelo nuevo sin servir sus respuestas a los usuarios, y la prueba A/B reparte el tráfico con los pesos de las variantes de producción para comparar resultados reales.
Orquestación: SageMaker Pipelines vs. Step Functions vs. MWAA vs. CodePipeline
SageMaker Pipelines sirve para flujos formados solo por pasos de ML, Step Functions para flujos generales que unen muchos servicios de AWS, MWAA para DAG de Airflow existentes, y CodePipeline para CI/CD que parte de un cambio de código (origen → compilación → prueba → despliegue).
Artículos relacionados: Infraestructura de despliegue y estrategias de escalado, Escalado Automático de Endpoints de SageMaker a Fondo y Elección del Destino de Despliegue, Construcción de pipelines MLOps y CI/CD
---
Dominio 4: Pares que se Confunden en Monitoreo, Costos y Seguridad
CloudWatch vs. CloudTrail vs. X-Ray vs. AWS Config
| Herramienta | Pregunta que responde | |------|------| | CloudWatch | ¿El rendimiento es normal ahora mismo? (métricas, registros, alarmas, paneles) | | CloudTrail | ¿Quién llamó a qué API y cuándo? | | X-Ray | ¿Dónde se