Saltar al contenido
TokIQ
Aprendizaje

AWS MLA-C02: preguntas de ejemplo y guía del examen (beta)

10 preguntas de práctica originales de MLA-C02 (AWS Machine Learning Engineer Associate), datos de la beta, los cuatro dominios y qué cambió desde MLA-C01.

TokIQ Editorial8 min de lectura
En este artículo
  1. Datos del examen MLA-C02 de un vistazo
  2. Dominio 1: Data Preparation for ML and AI
  3. Dominio 2: ML Model and Foundation Model (FM) Development
  4. Dominio 3: Deployment and Orchestration of ML and AI Workflows
  5. Dominio 4: Operating, Monitoring, and Securing ML and AI Solutions
  6. Qué cambió de MLA-C01 a MLA-C02
  7. Cómo evaluar tu resultado
  8. Cómo se escribieron estas preguntas
  9. Practica más preguntas de MLA-C02

MLA-C02 es la versión actualizada del examen AWS Certified Machine Learning Engineer - Associate, y AWS lo está ofreciendo ahora mismo en beta. Aquí tienes 10 preguntas de práctica originales de sus cuatro dominios, con respuestas y explicaciones, seguidas de los datos de la beta y de lo que cambió respecto a MLA-C01.

Puntos clave

  • MLA-C02 evalúa ingeniería de ML en AWS: pipelines de datos, entrenamiento, despliegue, monitorización y seguridad, tanto para ML tradicional como para modelos fundacionales.
  • Tres de los cuatro dominios pesan un 24 % cada uno; la preparación de datos pesa un 28 %.
  • Es un examen associate. AWS recomienda al menos 1 año de experiencia práctica con SageMaker AI y Bedrock.

Datos del examen MLA-C02 de un vistazo

Los datos provienen de la página de certificación de AWS y de la guía del examen MLA-C02, consultadas el 2026-11-02. Encontrarás más detalle y un plan de estudio en nuestra página de preparación de MLA-C02. Para un calendario semana a semana, consulta cómo estudiar para MLA-C02.

DatoValor oficial
EstadoBeta; fecha de disponibilidad general por anunciar
Formato beta85 preguntas, 170 minutos, opción múltiple y respuesta múltiple
Precio de la beta75 USD
IdiomaSolo inglés durante la beta
Nota para aprobar (guía del examen)720 sobre una escala de 100-1.000
Validez3 años
DominioPesoPreguntas de abajo
1. Data Preparation for ML and AI28 %1-3
2. ML Model and Foundation Model (FM) Development24 %4-5
3. Deployment and Orchestration of ML and AI Workflows24 %6-7
4. Operating, Monitoring, and Securing ML and AI Solutions24 %8-10

Dominio 1: Data Preparation for ML and AI

Pregunta 1

Un equipo entrena un modelo con un conjunto de datos en el que el 98 % de los ejemplos pertenece a una sola clase. El modelo alcanza un 98 % de exactitud (accuracy), pero nunca detecta la clase poco frecuente. ¿Qué debería hacer primero?

  • A. Presentar el 98 % de exactitud como resultado
  • B. Abordar el desbalance de clases, por ejemplo con remuestreo, y evaluar con precisión (precision) y exhaustividad (recall)
  • C. Eliminar del conjunto la clase poco frecuente
  • D. Reducir las características a una sola

Respuesta: B. La exactitud oculta el fallo en datos desbalanceados. Rebalancear (sobremuestrear la clase rara o submuestrear la común) y evaluar con precision, recall o F1 da una imagen fiel.

  • A es incorrecta porque un modelo que siempre predice la clase mayoritaria también obtiene un 98 %.
  • C es incorrecta porque la clase rara suele ser la que importa.
  • D es incorrecta porque tener menos características no corrige el desbalance.

Pregunta 2

Un científico de datos quiere reutilizar las mismas características elaboradas tanto para el entrenamiento como para predicciones online de baja latencia, sin implementarlas dos veces. ¿Qué enfoque encaja?

  • A. Guardar las características en un feature store central, como Amazon SageMaker Feature Store
  • B. Enviar por correo las definiciones de las características al equipo de la aplicación
  • C. Recalcular las características a mano en cada notebook
  • D. Guardar las características solo en archivos CSV locales

Respuesta: A. Un feature store mantiene una única definición gobernada de cada característica y la sirve tanto para el entrenamiento offline como para la inferencia online, lo que evita el desajuste entre entrenamiento y servicio (training-serving skew).

  • B, C y D son incorrectas porque duplican la lógica, que es justo como las características de entrenamiento y de servicio acaban divergiendo.

Pregunta 3

Un equipo crea una aplicación RAG y debe preparar documentos de la empresa para que un modelo pueda recuperar los pasajes relevantes. ¿Qué paso forma parte de esa preparación?

  • A. Dividir los documentos en fragmentos (chunks) y crear embeddings almacenados en un almacén vectorial
  • B. Eliminar todos los documentos de más de una página
  • C. Convertir cada documento en una imagen
  • D. Entrenar un modelo nuevo desde cero para cada documento

Respuesta: A. La preparación de RAG divide los documentos en fragmentos, convierte esos fragmentos en embeddings y los guarda en un almacén vectorial para poder recuperar pasajes similares en el momento de la consulta. Mira qué es RAG.

  • B, C y D son incorrectas porque destruyen contenido, pierden texto o son innecesariamente caras.

Dominio 2: ML Model and Foundation Model (FM) Development

Pregunta 4

Un equipo tiene un conjunto pequeño de datos etiquetados y necesita un clasificador de imágenes rápido. Entrenar desde cero da malos resultados. ¿Cuál es el enfoque más eficaz?

  • A. Usar transfer learning a partir de un modelo preentrenado y ajustarlo (fine-tuning) con los datos etiquetados
  • B. No recopilar más datos y entrenar durante más tiempo
  • C. Usar un modelo de regresión lineal
  • D. Asignar etiquetas al azar

Respuesta: A. El transfer learning reutiliza características que un modelo aprendió con un conjunto de datos grande, así que basta un conjunto etiquetado pequeño para adaptarlo.

  • B es incorrecta porque entrenar más tiempo con pocos datos tiende a provocar sobreajuste (overfitting).
  • C es incorrecta porque la regresión predice números, no clases de imágenes.
  • D es incorrecta porque las etiquetas aleatorias no enseñan nada.

Pregunta 5

Una empresa quiere comparar dos modelos fundacionales para una tarea de resumen. ¿Cuál es el enfoque de evaluación más adecuado?

  • A. Ejecutar ambos modelos con los mismos prompts de prueba representativos y comparar los resultados con métricas definidas o con evaluación humana o basada en modelos
  • B. Elegir el modelo con el nombre más largo
  • C. Evaluar solo con los prompts de entrenamiento de uno de los modelos
  • D. Omitir la evaluación porque ambos son modelos fundacionales

Respuesta: A. Evalúa con un conjunto fijo y representativo y con criterios claros. Se pueden usar métricas automáticas, revisores humanos o un modelo evaluador, idealmente combinados.

  • B, C y D son incorrectas porque no son evaluaciones válidas o favorecen a un modelo.

Dominio 3: Deployment and Orchestration of ML and AI Workflows

Pregunta 6

Un modelo recibe tráfico impredecible con largos periodos de inactividad, y las solicitudes pueden tolerar un breve arranque en frío (cold start). ¿Qué opción de despliegue minimiza el coste?

  • A. Un endpoint de inferencia serverless
  • B. Un endpoint grande en tiempo real, siempre activo y con muchas instancias
  • C. Una instancia con GPU dedicada funcionando 24/7 sin tráfico
  • D. Reentrenar el modelo en cada solicitud

Respuesta: A. La inferencia serverless escala a cero cuando no hay actividad y cobra por uso, lo que encaja con un tráfico intermitente que admite arranques en frío.

  • B y C son incorrectas porque pagan por capacidad ociosa.
  • D es incorrecta porque la inferencia no requiere reentrenar.

Pregunta 7

Un equipo quiere que cada cambio en su código de entrenamiento active automáticamente pruebas, un pipeline de entrenamiento y un paso de registro de modelos (model registry). ¿Qué debería construir?

  • A. Un pipeline de CI/CD integrado con un pipeline de ML y un registro de modelos
  • B. Una lista de comprobación manual semanal
  • C. Una hoja de cálculo compartida con las versiones de los modelos
  • D. Un único notebook que todos editan

Respuesta: A. MLOps automatiza los pasos de compilación, prueba, entrenamiento, registro y despliegue, de modo que las versiones sean repetibles y auditables.

  • B, C y D son incorrectas porque son manuales y propensas a errores.

Dominio 4: Operating, Monitoring, and Securing ML and AI Solutions

Pregunta 8

La exactitud de un modelo desplegado baja poco a poco porque el comportamiento de los clientes ha cambiado desde el entrenamiento. ¿Cómo se llama esto y qué hay que configurar?

  • A. Deriva de datos (data drift); monitorizar las distribuciones de entrada y de predicción y activar el reentrenamiento
  • B. Sobreajuste (overfitting); añadir más capas
  • C. Subajuste (underfitting); reducir los datos
  • D. Latencia; añadir más almacenamiento

Respuesta: A. Cuando los datos de producción se alejan de los de entrenamiento hay deriva. La monitorización (por ejemplo con SageMaker Model Monitor) la detecta para que puedas reentrenar.

  • B y C son incorrectas porque describen problemas de ajuste durante el entrenamiento.
  • D es incorrecta porque la latencia se refiere a la velocidad, no a la exactitud.

Pregunta 9

Un trabajo de entrenamiento en SageMaker AI debe leer datos de un bucket de S3. ¿Qué enfoque sigue el principio de mínimo privilegio?

  • A. Asociar al trabajo un rol de IAM que conceda acceso solo a ese bucket y prefijo
  • B. Incrustar claves de acceso de larga duración en el código de entrenamiento
  • C. Hacer público el bucket
  • D. Dar al trabajo acceso de administrador

Respuesta: A. Un rol de ejecución con permisos muy acotados da credenciales temporales y limita el daño de cualquier error.

  • B es incorrecta porque las claves escritas en el código se filtran con facilidad.
  • C y D son incorrectas porque conceden mucho más acceso del necesario.

Pregunta 10

Una empresa necesita que el tráfico entre su VPC y sus endpoints de modelos no pase por internet público. ¿Qué opción ayuda?

  • A. Usar endpoints de interfaz de VPC (AWS PrivateLink) para el servicio
  • B. Publicar la URL del endpoint en un sitio web público
  • C. Desactivar el cifrado
  • D. Abrir todos los puertos del grupo de seguridad

Respuesta: A. Los endpoints de interfaz de VPC mantienen el tráfico dentro de la red de AWS, junto con grupos de seguridad y cifrado.

  • B, C y D son incorrectas porque aumentan la exposición.

Qué cambió de MLA-C01 a MLA-C02

AWS publica una comparación entre MLA-C01 y MLA-C02. En resumen, el examen actualizado añade modelos fundacionales e IA generativa junto al ML tradicional, incluidos los flujos de trabajo con agentes. El MLA-C01 en inglés dejó de estar disponible después del 28 de septiembre de 2026 (según AWS). Las certificaciones que ya conseguiste siguen vigentes durante todo su plazo.

Cómo evaluar tu resultado

  • 9-10 aciertos: pasa a simulacros completos y cronometrados y repasa los dominios de la guía del examen.
  • 6-8 aciertos: vuelve a leer las task statements de los dominios que fallaste.
  • 5 o menos: este examen presupone experiencia práctica con SageMaker AI y Bedrock. Si estás en una etapa más temprana, haz primero AWS AI Practitioner (AIF-C01). Mira qué certificación de IA hacer primero.

Cómo se escribieron estas preguntas

TokIQ Editorial escribió estas preguntas a partir de los dominios y las áreas de tareas de la guía del examen MLA-C02. No son preguntas reales del examen. Los datos del examen se comprobaron el 2026-11-02, y los detalles de la beta pueden cambiar. TokIQ es una app de práctica independiente, no afiliada ni respaldada por Amazon Web Services.

Practica más preguntas de MLA-C02

TokIQ (en Google Play, próximamente en iPhone) tiene un modo de preparación de MLA-C02 (beta) con una sesión diaria corta, repetición espaciada, un índice de preparación por dominio, exámenes simulados y explicaciones en tu propio idioma.

Preguntas frecuentes

¿Qué es MLA-C02?

MLA-C02 es la versión actualizada del examen AWS Certified Machine Learning Engineer - Associate. Cubre ML tradicional y modelos fundacionales: preparación de datos, desarrollo de modelos, despliegue y orquestación, y operación y seguridad de soluciones de ML e IA (guía del examen de AWS, consultada el 2026-11-02).

¿MLA-C02 sigue siendo un examen beta?

A fecha de 2026-11-02, la página de certificación de AWS indica que el registro está abierto para la beta de MLA-C02: 85 preguntas, 170 minutos, precio beta de 75 USD, solo en inglés. La fecha de disponibilidad general no se ha anunciado.

¿Cuál es la nota para aprobar MLA-C02?

La guía del examen indica una puntuación escalada de 100-1.000 con una nota mínima para aprobar de 720. La guía señala que la calificación de aprobado o suspenso no se aplica a la versión beta, y que la puntuación es compensatoria: apruebas el examen en conjunto, no cada dominio por separado.

¿MLA-C02 es más difícil que el examen AI Practitioner?

Apunta a otro nivel. AIF-C01 es básico y trata de elegir el servicio de IA adecuado. MLA-C02 es un examen associate para personas con al menos 1 año de experiencia con Amazon SageMaker AI, Amazon Bedrock y otros servicios de ML de AWS, así que espera más escenarios prácticos de ingeniería.

¿Estas son preguntas reales del examen MLA-C02?

No. TokIQ Editorial escribió las 10 a partir de la guía pública del examen. AWS mantiene confidencial el contenido de sus exámenes, así que los sets que se venden como preguntas reales son un riesgo, no un atajo.

  • #MLA-C02
  • #AWS Machine Learning Engineer Associate
  • #preguntas de práctica
  • #preparar certificación

Ahora, a practicar

TokIQ convierte el prompt engineering en quizzes cortos, con una explicación para cada respuesta.

Próximamente enApp StoreDisponible enGoogle Play

Escribe mejores prompts con unas pocas preguntas al día.

Quizzes cortos sobre decisiones reales al escribir prompts, con una explicación para cada respuesta. Gratis para empezar en iPhone y Android.

Próximamente enApp StoreDisponible enGoogle Play