Certificación AWS Certified Generative AI Developer – Professional (AIP-C01)
FDE Advanced exige esta certificación activa al inscribirse. Este capítulo la cubre con la guía oficial del examen y los recursos de Skill Builder.
| Dato | Valor |
|---|
| Preguntas | 75 (65 puntuadas y 10 no puntuadas), opción múltiple y respuesta múltiple |
| Duración | 180 minutos |
| Costo | USD 300 |
| Entrega | Pearson VUE, en centro o en línea supervisado |
| Idiomas | Inglés, japonés, coreano, chino simplificado |
| Puntaje | Escalado de 100 a 1.000; mínimo 750; modelo compensatorio entre dominios |
| Perfil objetivo | 2 o más años construyendo aplicaciones de producción en AWS, experiencia en AI/ML o ingeniería de datos y 1 año implementando GenAI |
| Fuera de alcance | Entrenamiento de modelos, técnicas avanzadas de ML, feature engineering |
Guía oficial: https://docs.aws.amazon.com/aws-certification/latest/ai-professional-01/ai-professional-01.html
Dominios
pie showData
title Peso por dominio
"1. Integración de FM, datos y cumplimiento" : 31
"2. Implementación e integración" : 26
"3. Seguridad y gobernanza" : 20
"4. Eficiencia operativa" : 12
"5. Pruebas y troubleshooting" : 11
Dominio 1 · Integración de FM, gestión de datos y cumplimiento (31 %)
| Tarea | Qué dominar |
|---|
| 1.1 Analizar requisitos y diseñar | Arquitecturas alineadas al negocio, pruebas de concepto en Bedrock, Well-Architected Generative AI Lens |
| 1.2 Seleccionar y configurar FM | Benchmarks y límites, selección dinámica de modelo (Lambda, API Gateway, AppConfig), resiliencia (Step Functions con circuit breaker, Cross-Region Inference), fine-tuning con LoRA en SageMaker AI, Model Registry, rollback |
| 1.3 Pipelines de datos | Glue Data Quality, SageMaker Data Wrangler, multimodal (Bedrock, Transcribe), formato de entrada por modelo |
| 1.4 Vector stores | Knowledge Bases, OpenSearch con Neural plugin, Aurora con pgvector, DynamoDB para metadatos, sharding y multi-índice, sincronización incremental |
| 1.5 Recuperación | Chunking fijo y jerárquico, embeddings Titan, búsqueda híbrida, rerankers, expansión y descomposición de consultas, acceso vía function calling y MCP |
| 1.6 Prompt engineering y gobernanza | Prompt Management, Guardrails, historial en DynamoDB, plantillas versionadas, regresión de prompts, Prompt Flows |
Dominio 2 · Implementación e integración (26 %)
| Tarea | Qué dominar |
|---|
| 2.1 Soluciones agénticas y tools | Strands Agents, Agent Squad, MCP (servers en Lambda y ECS), ReAct con Step Functions, stopping conditions, circuit breakers, human-in-the-loop |
| 2.2 Despliegue de modelos | Provisioned throughput, endpoints de SageMaker, contenedores optimizados para GPU y tokens, model cascading |
| 2.3 Integración empresarial | EventBridge, API Gateway, federación de identidad, Outposts y Wavelength, CI/CD con CodePipeline y CodeBuild, GenAI gateway |
| 2.4 APIs de FM | Invocación síncrona y asíncrona (SQS), streaming (WebSockets, SSE), backoff exponencial, rate limiting, routing de modelos |
| 2.5 Patrones de aplicación | Amplify, OpenAPI, Prompt Flows, Bedrock Data Automation, Amazon Q Developer, Kiro, CloudWatch Logs Insights y X-Ray |
Dominio 3 · Seguridad, protección y gobernanza de IA (20 %)
| Tarea | Qué dominar |
|---|
| 3.1 Controles de entrada y salida | Guardrails, moderación personalizada, grounding para reducir alucinaciones, JSON Schema, detección de prompt injection y jailbreak |
| 3.2 Datos y privacidad | VPC endpoints, Lake Formation, PII con Comprehend y Macie, enmascaramiento, retención con S3 Lifecycle |
| 3.3 Gobernanza y cumplimiento | Model cards en SageMaker, linaje con Glue Data Catalog, CloudTrail, monitoreo de drift y sesgo, redacción a nivel de token |
| 3.4 IA responsable | Trazas de razonamiento, métricas de confianza, A/B con Prompt Flows, LLM-as-a-judge, documentación de limitaciones |
Dominio 4 · Eficiencia operativa y optimización (12 %)
| Tarea | Qué dominar |
|---|
| 4.1 Costos | Estimación de tokens, compresión de prompts, modelos por nivel de complejidad, batching, prompt caching y semantic caching |
| 4.2 Rendimiento | Modelos de latencia optimizada, streaming, paralelismo, parámetros (temperature, top-k, top-p), optimización de índices vectoriales |
| 4.3 Monitoreo | Model Invocation Logs, anomalías de tokens y drift, dashboards de negocio, observabilidad de tool calls y multiagente, golden datasets |
Dominio 5 · Pruebas, validación y troubleshooting (11 %)
| Tarea | Qué dominar |
|---|
| 5.1 Evaluación | Bedrock Model Evaluations, A/B y canary, RAG evaluation, LLM-as-a-judge, evaluación de agentes (tasa de completitud, uso de tools), quality gates |
| 5.2 Troubleshooting | Desborde de ventana de contexto, errores de integración de API, regresión de prompts, calidad de embeddings y chunking |
Servicios en alcance que conviene tocar con las manos
Amazon Bedrock, Amazon Bedrock AgentCore, Knowledge Bases, Prompt Management, Prompt Flows, Guardrails, SageMaker AI (JumpStart, Model Registry, Clarify, Model Monitor), OpenSearch Service, Aurora, DynamoDB, Step Functions, Lambda, API Gateway, EventBridge, SQS, ECS y EKS, CodePipeline y CodeBuild, Kiro, Amazon Q Developer, CloudWatch, X-Ray, CloudTrail, Cognito, KMS, Macie, Secrets Manager, Comprehend, Transcribe, Textract.
Plan de estudio con recursos de Skill Builder
flowchart LR
A["Exam Prep Plan AIP-C01"] --> B["Domain Review 1 a 5"]
B --> C["Cursos por dominio + labs de los capítulos 3, 7 y 8"]
C --> D["Official Practice Question Set"]
D --> E{"≥ 80 %"}
E -->|no| B
E -->|sí| F["Official Pretest o Practice Exam"]
F --> G["Examen en Pearson VUE"]
| Recurso | Acceso | Uso |
|---|
| Exam Prep Plan: AWS Certified Generative AI Developer – Professional (AIP-C01) | Gratis | Ruta de cuatro pasos que organiza todo lo demás |
| Domain 1 a 5 Review | Gratis | Repaso guiado por dominio |
| Official Practice Question Set (48 min) | Gratis | Primer termómetro |
| Domain 1 a 5 Practice y SimuLearn Domain 1 y 2 Practice | Suscripción | Práctica por dominio |
| Official Pretest y Official Practice Exam (180 min) | Suscripción | Simulacro completo |
| AWS Generative AI Developer Advanced Learning Plan (includes Labs) | Gratis | Ruta larga con laboratorios |
| Cursos AWS Generative AI Developer: Analyze Requirements and Design, Agentic AI Solutions and Tool Integrations, Safe User Interactions, Optimize Application Performance, Implement Evaluation Systems, Troubleshoot Generative AI Applications | Gratis o suscripción según el título | Un curso por dominio |
Los ejercicios de los capítulos 3, 7 y 8 cubren con las manos los dominios 1, 2, 3 y 5; el examen pregunta por los mismos servicios con enfoque de diseño.
Lista de verificación
