AWS AI Practitioner
10 horas / 4 semanas
Impulsa tu carrera en ventas, marketing y gestión de productos con la IA. Las empresas están buscando profesionales con habilidades en inteligencia artificial para impulsar el crecimiento y la innovación. La certificación AWS Certified AI Practitioner te permitirá destacar y acceder a oportunidades laborales mejor remuneradas.
El futuro del éxito en ventas, marketing y gestión de productos pasa por la IA. Según un reciente estudio de AWS, las empresas están dispuestas a pagar significativamente más por profesionales con conocimientos en IA. ¡No te quedes atrás y certifica tus habilidades ahora!
A quién va dirigido
Esta formación con Certificación oficial está dirigido a analista de negocios, soporte de TI, profesional de marketing, gerente de productos o proyectos, gerente de línea de negocios o de TI, profesional de ventas.
Objetivos del curso
Conocer y comprender
Comprender conceptos, métodos y estrategias de IA, ML e IA generativa en general y en AWS.
Sé un experto en IA
Comprender el uso adecuado de las tecnologías de IA/ML e IA generativa para plantear preguntas relevantes dentro de la organización del candidato.
Trabajar con IA
Determinar los tipos correctos de tecnologías de IA/ML que se aplican a casos de uso específicos. Utilizar de manera responsable las tecnologías de IA, ML e IA generativa.
Obtén tu certificación
Al final del curso y superando los ejercicios de capacitación, obtendrás la Certificación Oficial Amazon IA Practitioner.
Contenidos
Conceptos y terminologías básicas de la IA:
- Definir términos básicos de IA (por ejemplo, IA, ML, aprendizaje profundo, redes neuronales, visión artificial, PNL, modelos de lenguaje grandes).
- Describe las diferencias entre IA, ML y aprendizaje profundo.
- Tipos de inferencia (por ejemplo, por lotes, en tiempo real).
- Diferentes tipos de datos (por ejemplo, etiquetados/sin etiquetar, tabulares, series de tiempo, estructurados/no estructurados).
- Paradigmas de aprendizaje (por ejemplo, aprendizaje supervisado, no supervisado, aprendizaje por refuerzo).
Identificar casos prácticos de uso de IA/ML:
- Reconocer cuándo la IA/ML puede agregar valor (por ejemplo, automatización, escalabilidad).
- Determinar cuándo la IA/ML no es adecuada (por ejemplo, análisis de costo-beneficio).
- Seleccionar técnicas de aprendizaje automático adecuadas (por ejemplo, regresión, clasificación, agrupamiento).
- Identificar aplicaciones de IA en el mundo real (por ejemplo, visión artificial, PNL, sistemas de recomendación)
Ciclo de vida del desarrollo de ML:
- Componentes de una cadena de aprendizaje automático (por ejemplo, recopilación de datos, ingeniería de características, entrenamiento de modelos).
- Fuentes de modelos ML (por ejemplo, modelos previamente entrenados, modelos personalizados).
- Métodos para utilizar un modelo en producción (por ejemplo, API administrada, API autohospedada).
- Conceptos fundamentales de MLOps (por ejemplo, procesos repetibles, escalabilidad, monitoreo de modelos).
Conceptos básicos de la IA generativa:
- Conceptos fundamentales (por ejemplo, tokens, incrustaciones, ingeniería rápida, modelos basados en transformadores).
- Casos de uso de IA generativa (por ejemplo, generación de texto, generación de imágenes, chatbots).
- El ciclo de vida del modelo de base (por ejemplo, entrenamiento previo, ajuste, evaluación, implementación).
Comprender las capacidades y limitaciones de la IA generativa:
- Ventajas (por ejemplo, adaptabilidad, capacidad de respuesta).
- Desventajas (por ejemplo, alucinaciones, inexactitud, interpretabilidad).
- Métricas comerciales para IA generativa (por ejemplo, tasa de conversión, eficiencia).
Infraestructura de AWS para crear aplicaciones de IA generativa:
- Servicios de AWS para IA generativa (por ejemplo, Amazon SageMaker JumpStart, Amazon Bedrock).
- Beneficios de la infraestructura de AWS (por ejemplo, seguridad, cumplimiento, rentabilidad).
- Compensaciones en los servicios de inteligencia artificial generativa de AWS (por ejemplo, capacidad de respuesta, modelos de precios).
Diseño para los modelos de cimentación:
- Criterios de selección para modelos preentrenados (por ejemplo, costo, latencia, tamaño del modelo).
- Efecto de los parámetros de inferencia en las respuestas del modelo (por ejemplo, temperatura, longitud de entrada/salida).
- Aplicaciones comerciales de Recuperación-Generación Aumentada (RAG).
Técnicas de ingeniería rápida y efectiva:
- Conceptos de ingeniería de indicaciones (por ejemplo, contexto, instrucción, indicaciones negativas).
- Técnicas de ingeniería rápida (por ejemplo, cadena de pensamiento, disparo cero, disparos pocos).
- Riesgos de ingeniería rápida (por ejemplo, secuestro, jailbreak).
Proceso de entrenamiento y ajuste de los modelos básicos:
- Elementos clave del entrenamiento de un modelo de base (por ejemplo, entrenamiento previo, ajuste fino).
- Métodos para ajustar modelos (por ejemplo, aprendizaje por transferencia, aprendizaje por refuerzo).
- Preparación de datos para su ajuste (por ejemplo, curación de datos, etiquetado, gobernanza).
Desempeño del modelo de base:
- Métricas para evaluar el rendimiento del modelo (por ejemplo, ROUGE, BLEU, BERTScore).
- Enfoques para la evaluación del desempeño (por ejemplo, evaluación humana, conjuntos de datos de referencia).
Desarrollo responsable de la IA:
- Características de la IA responsable (por ejemplo, equidad, seguridad, robustez).
- Herramientas para una IA responsable (por ejemplo, Amazon SageMaker Clarify).
- Riesgos legales en la IA generativa (por ejemplo, propiedad intelectual, sesgo).
Reconocer la importancia de los modelos transparentes y explicables:
- Diferencias entre modelos transparentes y no transparentes.
- Compensaciones entre la seguridad y la transparencia del modelo (por ejemplo, interpretabilidad versus rendimiento).
Métodos para proteger los sistemas de IA:
- Servicios de AWS para proteger la IA (por ejemplo, roles IAM, cifrado).
- Consideraciones de seguridad para sistemas de IA (por ejemplo, inyección rápida, cifrado en reposo).
Regulaciones de gobernanza y cumplimiento para los sistemas de IA:
- Estándares de cumplimiento para IA (por ejemplo, ISO, SOC).
- Servicios de AWS para gobernanza y cumplimiento (por ejemplo, AWS Config, Amazon Inspector).
El examen
AWS Certified AI Practitioner AIF-C01
Tipo test respuestas múltiple
65 preguntas en español
90 minutos
Renovación cada 3 años
Examen supervisado
Coste de segundo intento 100€
Mínimo de puntuación para aprobar 70%
¿Por qué certificarse?
Salario Atractivo: Los especialistas en machine learning e IA pueden esperar salarios entre 40.000 y 60.000 euros al año en España, dependiendo de su experiencia.
Fortalecimiento del Currículum: La certificación valida tus habilidades y mejora tu perfil profesional, haciéndote más competitivo en un mercado laboral en constante evolución.
Alta Demanda en el Mercado: Empresas líderes del IBEX 35, como Telefónica y Acciona, están incorporando machine learning e IA en sus operaciones, lo que aumenta la necesidad de profesionales certificados.
Nuevas Oportunidades Laborales: La creciente importancia de la IA y el machine learning en diversos sectores significa que las certificaciones se vuelven un requisito común en muchas ofertas de empleo.
Compañías que ya tienen sus equipos certificados
Empresas líderes ya contratan certificados en IA como Accenture, Cognizant, Deloitte, IBM, Capgemini, Infosys
Modalidades
Certificación oficial
Acceso a examen
Simulacro de examen
Acceso al campus virtual
Acceso a clases grabadas
Preparador/a
Materiales oficiales
Material adicional homologado
Nº de intentos de exámenes
Próximas convocatorias
Potenciamos tu carrera y habilidades con conocimientos actualizados para el entorno laboral dinámico. Como partner de certificaciones de SAP, SAGE, Microsoft y AWS, garantizamos calidad y relevancia. Creemos en adquirir nuevas competencias para impulsar el cambio personal y profesional, abriendo puertas a un futuro lleno de oportunidades. Tu transformación comienza hoy.
Partners Educativos Gold del Top Five de los fabricantes globales de tecnología transformacional: ORACLE, AMAZON, GOOGLE, SAP Y MICROSOFT
+ de 450 especialistas comprometidos con su trabajo
Participamos en el sector EdTech en investigación de IA y Metaverso
+ 12 años de experiencia
+ de 3.000 empresas
+ 15.000 alumnos
Somos partners de
