Valida habilidades en construcción, despliegue y operación de cargas de trabajo ML en AWS. Cubre SageMaker y pipelines MLOps.
Ingesta y almacenamiento de datos (S3, Kinesis, Glue), Ingeniería de características (SageMaker Data Wrangler, Feature Store), Calidad y gobernanza de datos (Clarify, Lake Formation)
Elección de enfoque de modelado (algoritmos integrados, JumpStart, Bedrock), Entrenamiento y ajuste de modelos (entrenamiento distribuido, HPO, Debugger), Análisis y evaluación de modelos (Clarify, SHAP, métricas de rendimiento)
Selección de infraestructura de despliegue (inferencia en tiempo real, por lotes, serverless), Escalabilidad de infraestructura ML (Auto Scaling, contenedores, VPC), Pipelines CI/CD (SageMaker Pipelines, CodePipeline, MLOps)
Monitoreo de inferencia de modelos (Model Monitor, detección de drift), Optimización de infraestructura y costos (CloudWatch, Inference Recommender), Seguridad de soluciones ML (IAM, KMS, aislamiento VPC)
Prueba preguntas tipo examen del conjunto de muestra gratuito. Cada respuesta incluye una explicación completa.
Un equipo de MLOps en una empresa financiera está experimentando frecuentes retrasos en la implementación e inconsistencias de configuración entre entornos porque los científicos de datos aprueban e implementan manualmente los modelos entrenados en Amazon SageMaker.
El equipo desea crear un pipeline que valide automáticamente los artefactos del modelo después del entrenamiento, lo implemente en un entorno de staging, pase por un paso de aprobación y luego se implemente automáticamente en los endpoints de producción. La configuración de infraestructura debe gestionarse como código y debe garantizarse la reproducibilidad del entorno de implementación.
¿Qué configuración de pipeline CI/CD MEJOR minimiza la sobrecarga operacional mientras mejora la consistencia y automatización de la implementación de modelos?
Respuesta: B. CodePipeline + CloudFormation + etapa de aprobación
El núcleo de la automatización de implementación es un pipeline donde todo el proceso, desde la finalización del entrenamiento hasta la producción, está definido como código y se ejecuta sin intervención humana. AWS CodePipeline orquesta secuencialmente la validación de artefactos del modelo, la implementación en staging, la puerta de aprobación manual y la implementación en producción, lo que coincide exactamente con los requisitos de este escenario. AWS CloudFormation declara la infraestructura como templates YAML/JSON para aprovisionar los entornos de staging y producción de forma idéntica, previniendo inconsistencias de configuración en el origen.
AWS CodePipeline es un servicio de entrega continua totalmente administrado que inserta una Manual Approval Action para que la implementación en producción solo avance después de que un revisor designado apruebe la validación de staging. La integración con Amazon SageMaker Model Registry permite configuraciones de gobernanza donde solo las versiones de modelos aprobadas ingresan al pipeline. AWS CloudFormation garantiza que no se produzca desviación de entornos al reproducir los entornos repetidamente desde el mismo template.
En el examen, cuando IaC + etapa de aprobación + implementación automatizada aparecen juntos, CodePipeline + CloudFormation es la combinación correcta. Recuerde que Amazon SageMaker Pipelines está dedicado a los workflows de entrenamiento y evaluación de ML, mientras que CodePipeline maneja la orquestración general de CI/CD.
Una empresa de fintech necesita desplegar un modelo de detección de fraude entrenado en SageMaker para ser llamado via HTTPS desde aplicaciones on-premises. Según la política de seguridad, todas las solicitudes de inferencia deben estar cifradas con TLS, y la red on-premises debe acceder a través de las redes internas de AWS sin pasar por internet público.
¿Qué configuración de acceso al endpoint de inferencia MEJOR cumple con los requisitos de seguridad mientras minimiza los cambios en la infraestructura existente?
Respuesta: B. Direct Connect + endpoint VPC de PrivateLink
Para seleccionar la respuesta correcta, necesita identificar la arquitectura que cumple simultáneamente con 'sin tráfico por internet público' y 'acceso directo on-premises'. AWS Direct Connect proporciona un circuito físico dedicado entre el centro de datos on-premises y AWS para que el tráfico nunca pase por internet. Crear un endpoint de interfaz VPC basado en PrivateLink para SageMaker Runtime permite que el tráfico on-premises que entra via Direct Connect alcance el endpoint de SageMaker a través de la red interna de la VPC, con cifrado TLS proporcionado automáticamente via HTTPS.
AWS Direct Connect proporciona circuitos físicos dedicados de 1 Gbps a 100 Gbps, garantizando latencia baja consistente y ancho de banda confiable sin traversal de internet. AWS PrivateLink (VPC Interface Endpoint) asigna direcciones IP internas de VPC a servicios AWS para acceso privado. Para SageMaker Runtime, crea el servicio de endpoint com.amazonaws.{region}.sagemaker.runtime dentro de la VPC. Combinando ambos servicios, se crea un camino completamente privado para acceso on-premises a los endpoints de inferencia de SageMaker sin ninguna exposición a internet.
VPN es un túnel cifrado basado en internet, por lo que atraviesa la internet pública, y combinarlo con un endpoint público como en la Opción 1 no cumple con los requisitos de seguridad. API Gateway + proxy Lambda requiere componentes de infraestructura adicionales, violando el requisito de 'minimizar cambios en la infraestructura existente'. CloudFront es un CDN completamente basado en internet que conflicta fundamentalmente con el requisito de acceso no-internet. Patrón clave en el examen: 'conexión totalmente privada on-premises a AWS' → Direct Connect; 'acceso privado a servicios AWS desde VPC' → PrivateLink; su combinación es el patrón estándar para acceder a servicios AWS desde on-premises sin internet.
Una empresa de streaming de medios opera un servicio de recomendación de contenido usando un endpoint de inferencia en tiempo real de SageMaker.
El tráfico es bajo durante el día en días laborables, pero aumenta 3-5x durante las noches y fines de semana. El conteo fijo actual de instancias genera desperdicio de costos cuando el tráfico es bajo y latencia de respuesta cuando es alto.
¿Qué tipo de política de auto scaling MEJOR ajusta automáticamente el número de instancias basándose en una métrica específica mientras previene costos excesivos de escalado?
Respuesta: C. Política Target Tracking Scaling
Esta pregunta evalúa si puede identificar, entre tres tipos de política de auto scaling, la que 'ajusta automáticamente basándose en una métrica específica mientras previene costos excesivos'. Target Tracking Scaling establece un valor objetivo para una métrica como InvocationsPerInstance, y SageMaker Application Auto Scaling ajusta automáticamente el conteo de instancias para mantener ese objetivo. Escala hacia afuera cuando la métrica supera el objetivo y escala hacia adentro cuando cae por debajo, respondiendo con precisión a los cambios de tráfico mientras elimina automáticamente instancias innecesarias.
El auto scaling de endpoint de SageMaker opera en AWS Application Auto Scaling. La métrica representativa para Target Tracking Scaling es SageMakerVariantInvocationsPerInstance (llamadas de inferencia por minuto), y establecer un valor objetivo (por ejemplo, 70 solicitudes por minuto) hace que el sistema ajuste automáticamente las instancias para mantener ese valor. Configuraciones separadas de ScaleInCooldown y ScaleOutCooldown previenen el escalado frecuente excesivo. La documentación oficial de AWS también especifica el Target Tracking como la política de auto scaling predeterminada recomendada para endpoints de SageMaker.
El aumento manual de instancias no cumple con el requisito de automatización en absoluto. Simple Scaling no toma ninguna acción adicional durante el cooldown después de un único disparador de umbral, lo que lo hace ineficiente para cambios rápidos de tráfico. Step Scaling permite automatización pero requiere el diseño manual de rangos de umbral y cantidades de ajuste, resultando en mayor carga operativa y menor precisión que Target Tracking. En el examen, cuando el requisito central es 'ajuste automático basado en una métrica específica', elija Target Tracking Scaling.
Una empresa de juegos en línea quiere entrenar un modelo de predicción de abandono en Amazon SageMaker utilizando cientos de millones de datos de eventos de comportamiento de usuarios almacenados en Amazon DynamoDB.
Los datos de DynamoDB están creciendo continuamente y contienen atributos JSON anidados, lo que dificulta su uso directo para el entrenamiento de ML. Para extraer regularmente datos a gran escala sin afectar el rendimiento de lectura de la tabla DynamoDB operacional y transformarlos en un formato estructurado adecuado para el entrenamiento y cargarlos en Amazon S3,
¿Cuál enfoque de diseño de pipeline ETL es MÁS apropiado?
Respuesta: C. Glue ETL + DynamoDB Export to S3
El requisito más crítico en este escenario es extraer datos sin afectar el rendimiento de lectura de la tabla DynamoDB operacional. La Scan API y el EMR DynamoDB Connector leen directamente la tabla y consumen Unidades de Capacidad de Lectura (RCU), violando este requisito. DynamoDB Export to S3 exporta datos basados en snapshots PITR (Recuperación en un Punto en el Tiempo), sin ningún impacto en la capacidad de lectura de la tabla operacional, y AWS Glue ETL posteriormente transforma la estructura JSON anidada en un formato estructurado adecuado para ML.
DynamoDB Export to S3 es una función de exportación totalmente administrada disponible cuando PITR está habilitado en la tabla DynamoDB. Exporta la tabla completa o un snapshot de punto en el tiempo a S3 en formato DynamoDB JSON o Amazon Ion, y la operación de exportación en sí no consume RCU de la tabla. AWS Glue ETL es un servicio serverless basado en Apache Spark que usa la API DynamicFrame para aplanar estructuras JSON anidadas y convertirlas a formatos Parquet o CSV legibles por SageMaker. La integración con Amazon EventBridge Scheduler permite la configuración de ejecución de pipeline automatizada periódica.
En el examen, cuando aparezca la extracción a gran escala sin afectar el rendimiento operacional de DynamoDB, DynamoDB Export to S3 es la clave. Distinga que DynamoDB Streams está dedicado a la captura de datos de cambio (CDC) y es inadecuado para la extracción de lote completo, mientras que la Scan API y el EMR Connector consumen RCU directamente y afectan el rendimiento operacional.
Una empresa de tecnología de conducción autónoma está entrenando modelos de deep learning en Amazon SageMaker utilizando millones de archivos de imagen pequeños (cada uno de unos pocos KB a varios MB) y grandes archivos de registro de sensores de decenas de gigabytes simultáneamente. Actualmente, todos los datos se leen directamente desde Amazon S3, lo que hace que el tiempo de carga de datos al inicio del entrenamiento represente una parte significativa del tiempo total de entrenamiento, con la utilización de GPU permaneciendo baja.
¿Qué estrategia de acceso a datos es MÁS apropiada para archivos pequeños y archivos grandes, respectivamente?
Respuesta: B. S3 Fast File Mode + FSx for Lustre
Para seleccionar la respuesta correcta, primero debe comprender las diferencias en las características de I/O entre muchos archivos pequeños y archivos únicos grandes. Millones de pequeños archivos de imagen tienen un cuello de botella de IOPS (operaciones de entrada/salida por segundo) como problema central, y Amazon S3 Fast File Mode minimiza la latencia de carga transmitiendo directamente desde S3 de forma compatible con POSIX sin descargar archivos a la instancia de entrenamiento. Los archivos de registro de sensores de decenas de gigabytes requieren throughput secuencial, y Amazon FSx for Lustre es un sistema de archivos paralelo optimizado para HPC que se integra directamente con buckets de S3 para ofrecer cientos de GB/s de throughput agregado.
SageMaker tiene tres modos de entrada de datos: File Mode, Pipe Mode y Fast File Mode. El Fast File Mode monta objetos S3 como un sistema de archivos y transmite datos simultáneamente con el inicio del entrenamiento, eliminando el tiempo de espera de descarga previa y optimizado para el acceso aleatorio a archivos pequeños. Amazon FSx for Lustre es un sistema de archivos paralelo totalmente administrado donde múltiples instancias de GPU en entrenamiento distribuido pueden acceder simultáneamente y se integra automáticamente con la capa de datos S3, permitiendo controlar los costos aprovisionando solo durante el entrenamiento.
Cuando vea muchos archivos pequeños + baja utilización de GPU, recuerde Fast File Mode; cuando vea archivos grandes + alto throughput, recuerde FSx for Lustre. Amazon EBS solo puede conectarse a una única instancia, lo que lo hace fatalmente limitado en escenarios de entrenamiento distribuido con múltiples instancias donde el intercambio de datos es imposible.
El examen AWS Certified Machine Learning Engineer – Associate (MLA-C01) consta de 65 preguntas y tiene un límite de 130 minutos.
La puntuación de aprobación del examen MLA-C01 es de 720 sobre 1000.
El conjunto de muestra de MLA-C01 (20 preguntas con explicaciones completas) es gratuito. El banco completo de más de 340 preguntas está disponible con una suscripción a CloudMasterIT.
La certificación MLA-C01 es válida durante 3 años después de aprobar. Después se requiere recertificación.