AWS Certified Machine Learning Engineer - Associate (MLA-C01) es la certificación de nivel Associate que va más allá de entrenar modelos de ML con SageMaker AI y cubre todo el trabajo de desplegarlos, automatizarlos, monitorearlos y protegerlos. Desde el 29 de septiembre de 2026 el examen en inglés es el revisado MLA-C02 (beta), mientras que MLA-C01 en coreano, japonés y chino simplificado sigue disponible hasta la disponibilidad general de MLA-C02, por eso esta guía se organiza en torno a MLA-C01 y señala lo que ha cambiado.
Este artículo es la guía de nuestra serie de 13 análisis en profundidad por dominio de MLA-C01. Antes de entrar en cada tema, traza el mapa completo: la estructura del examen, a quién va dirigido y qué lugar ocupa esta certificación en una carrera profesional en AWS.
---
¿Para quién es MLA-C01?
MLA-C01 se parece a construir y operar una fábrica. Aunque tengas un buen plano (el modelo), la fábrica solo funciona si traes la materia prima (los datos), automatizas la línea de producción (los pipelines), vigilas la tasa de defectos (la deriva) y controlas quién entra (la seguridad). El examen también pregunta menos por la precisión del modelo y más por cómo montar toda esa operación con servicios de AWS.
Esta certificación encaja especialmente bien con los siguientes perfiles.
| Público objetivo | Por qué encaja | |------|------| | Ingenieros de ML e ingenieros de MLOps | Valida oficialmente la capacidad práctica de entrenar, desplegar y automatizar con SageMaker AI | | Científicos de datos | Suma el criterio de despliegue, monitoreo y costos necesario para llevar los modelos del notebook a producción | | Ingenieros de backend y DevOps | Lleva a las cargas de trabajo de ML sus conocimientos de CI/CD, IaC y seguridad | | Ingenieros de datos | Extiende los pipelines de datos hasta el entrenamiento y la inferencia de modelos | | Titulares de AIF-C01 | El siguiente paso: de entender conceptos a construir y operar de verdad |
No hay certificaciones previas obligatorias. AWS recomienda al menos un año de experiencia en ingeniería de ML con SageMaker AI y servicios relacionados, más al menos un año en un puesto afín como desarrollo backend, DevOps, ingeniería de datos o ciencia de datos. Lo más importante no es la teoría de ML, sino el criterio para elegir funciones de SageMaker AI y combinaciones de servicios de AWS.
---
Información General del Examen
| Elemento | Detalle | |------|------| | Código del examen | MLA-C01 | | Nombre completo | AWS Certified Machine Learning Engineer - Associate | | Nivel | Associate | | Puntuación aprobatoria | 720 (escala 100–1,000) | | Preguntas | 65 (50 calificadas + 15 no calificadas) | | Duración | 130 minutos | | Costo | 150 USD | | Vigencia | 3 años | | Tipos de preguntas | Opción múltiple, respuesta múltiple, ordenación, emparejamiento, caso práctico | | Idiomas | Coreano, japonés y chino simplificado (MLA-C01 en inglés terminó el 28 de septiembre de 2026; no disponible en español) | | Estado | En revisión: en inglés ahora es la beta de MLA-C02 (170 minutos · 85 preguntas · 75 USD) | | Modalidad | Centro de exámenes Pearson VUE o examen supervisado en línea | | Experiencia recomendada | 1 año de ingeniería de ML con SageMaker AI y otros + 1 año en un puesto afín (no obligatorio) |
Las 15 preguntas no calificadas sirven para que AWS las evalúe de cara a futuros exámenes y no están identificadas. Las preguntas sin responder cuentan como incorrectas y no hay penalización por adivinar. La puntuación es compensatoria, sin mínimo por dominio; basta con llegar a 720 en total. Además de opción múltiple y respuesta múltiple, hay preguntas de ordenación, emparejamiento y caso práctico; respuesta múltiple, ordenación y emparejamiento solo puntúan si todo es correcto, y cada pregunta de un caso práctico se califica por separado.
---
Distribución de Dominios
MLA-C01 se compone de cuatro dominios. Los pesos de abajo son las cifras oficiales sobre las preguntas calificadas.
| Dominio | Tema | Peso | Artículos | |------|------|------|------| | Dominio 1 | Preparación de datos para ML | 28% | 3 artículos | | Dominio 2 | Desarrollo de modelos de ML | 26% | 5 artículos | | Dominio 3 | Despliegue y orquestación de flujos de ML | 22% | 3 artículos | | Dominio 4 | Monitoreo, mantenimiento y seguridad de soluciones de ML | 24% | 2 artículos |
El dominio 1 (preparación de datos) es el mayor con un 28 %, pero los otros tres se reparten de forma pareja entre el 22 % y el 26 %. Profundizar en un solo dominio no basta para aprobar; hay que estudiar de forma equilibrada todo el flujo, de la preparación de datos al desarrollo del modelo, el despliegue y la operación. En nuestro banco de preguntas aparecen con especial frecuencia el escalado de endpoints, la seguridad, los servicios de IA administrados y el streaming y la automatización por eventos.
!Ponderación de los 4 dominios del examen MLA-C01
Dominio 1: Preparación de datos para ML (28%)
Este dominio trata de reunir los datos, convertirlos en algo que un modelo pueda aprender y comprobar su calidad y su sesgo.
Temas clave: Elegir almacenamiento como S3, EFS y FSx y formatos como Parquet, ORC y RecordIO; ingesta en streaming con Kinesis, Firehose, Managed Service for Apache Flink y MSK; transformación con Glue, DataBrew, Data Wrangler y EMR; ingeniería de características como escalado, codificación y valores faltantes; Feature Store; etiquetado con Ground Truth; Glue Data Quality y métricas de sesgo previas de Clarify; cifrado, enmascaramiento y cumplimiento de PII y PHI.
Consejo: "El entrenamiento y la inferencia deben usar los mismos valores de características" → Feature Store. "Limpiar la calidad de los datos sin código" → Glue DataBrew. "El entrenamiento distribuido grande necesita un sistema de archivos compartido rápido" → FSx for Lustre.
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: Desarrollo de modelos de ML (26%)
Este dominio trata de elegir el enfoque de modelado adecuado para el problema, entrenar y ajustar, y evaluar el rendimiento.
Temas clave: Elegir entre servicios de IA administrados, algoritmos integrados de SageMaker AI, JumpStart y Bedrock; Script Mode, entrenamiento distribuido y con Spot; ajuste automático de modelos (bayesiano, aleatorio, Hyperband); regularización, parada temprana y ensambles; olvido catastrófico; reducir el tamaño del modelo; el registro de modelos; métricas como la matriz de confusión, F1, AUC y RMSE; Clarify y Debugger; comparar variantes en sombra.
Consejo: "Corregir nombres de producto que se transcriben mal, sin especialistas en ML" → vocabulario personalizado de Transcribe. "Alta precisión en entrenamiento, baja en validación" → sobreajuste: regularización y parada temprana. "99 % de exactitud con un 0,5 % de fraude" → evaluar con exhaustividad y F1.
Artículos relacionados: Elección del Enfoque de Modelado, Cómo elegir servicios de IA de AWS, Fundamentos de ML para ingenieros de la nube, Entrenamiento, Ajuste y Evaluación de Modelos, Métricas de evaluación y desequilibrio de clases
Dominio 3: Despliegue y orquestación de flujos de ML (22%)
Este dominio trata de poner en servicio los modelos entrenados, escalarlos y automatizar todo el proceso.
Temas clave: Elegir inferencia en tiempo real, sin servidor, asíncrona o por lotes; endpoints multimodelo y multicontenedor; elegir el destino entre endpoints de SageMaker, EKS, ECS y Lambda; políticas y métricas de escalado automático; CloudFormation y CDK; contenedores (ECR, BYOC); endpoints dentro de una VPC; SageMaker Pipelines, Step Functions, MWAA y EventBridge; CodePipeline, CodeBuild y CodeDeploy con despliegues azul/verde, canario y lineal.
Consejo: "Prepararse de antemano para el pico de las 9 y atender otras variaciones" → escalado programado + seguimiento de destino. "Procesar cargas grandes durante minutos y bajar a cero sin solicitudes" → inferencia asíncrona. "Desplegar automáticamente al aprobar un modelo" → regla de EventBridge sobre el evento de aprobación del registro de modelos.
Artículos relacionados: Infraestructura de despliegue y estrategias de escalado, Escalado automático de endpoints y destinos de despliegue, Construcción de pipelines MLOps y CI/CD
Dominio 4: Monitoreo, mantenimiento y seguridad de soluciones de ML (24%)
Este dominio trata de vigilar los modelos y la infraestructura en producción, reducir costos y proteger el sistema.
Temas clave: Vigilar la deriva de calidad de datos y del modelo con Model Monitor; pruebas A/B; observar y auditar con CloudWatch, X-Ray y CloudTrail; ajustar tamaños con Inference Recommender y Compute Optimizer; gestionar costos con Spot, Savings Plans, etiquetas y Budgets; mínimo privilegio en IAM; aislamiento de VPC y de red; cifrado con KMS; seguridad de CI/CD.
Consejo: "La distribución de los datos de entrada en producción difiere de la del entrenamiento" → calidad de datos de Model Monitor. "Los datos de entrenamiento no deben pasar por internet" → subredes privadas + endpoint de puerta de enlace para S3. "¿Quién cambió la configuración del endpoint?" → CloudTrail.
Artículos relacionados: Monitoreo de Modelos, Optimización de Costos y Seguridad, Seguridad de ML a fondo
---
MLA-C01 frente a MLA-C02 y la ruta de certificación de IA/ML de AWS
Las certificaciones de IA/ML de AWS van de Foundational (AIF-C01) a Associate (MLA) y a Professional (AIP-C01), y MLA está pasando a una versión revisada en el otoño de 2026. Empieza por las diferencias entre las dos versiones.
| Aspecto | MLA-C01 (actual) | MLA-C02 (beta revisada) | |------|------|------| | Idiomas | Coreano, japonés y chino simplificado (el inglés terminó el 28 de septiembre de 2026) | Solo inglés (coreano, japonés y chino simplificado previstos en la disponibilidad general) | | Formato del examen | 130 minutos · 65 preguntas · 150 USD |