<aside> 🎯

Contexto

Saber qué puede generar un modelo es solo la primera capa del conocimiento. El verdadero desafío para un especialista certificado consiste en decidir cuándo conviene utilizar IA Generativa frente a Machine Learning tradicional, cómo orquestar agentes autónomos de forma segura y qué modelo de infraestructura en AWS garantiza la viabilidad financiera del proyecto.

</aside>

En el examen de AWS Certified AI Practitioner, no basta con saber qué es un agente o una API; debes entender los trade-offs entre control operativo y simplicidad administrada, así como los límites intrínsecos de la IA Generativa (como el no-determinismo y las alucinaciones) para proteger el valor de negocio y el ROI de la organización.

🔑 Conceptos Clave

ARQUITECTURA DE IA GENERATIVA EN PRODUCCIÓN

🤖 Agentic AI (Agentes) ──► 🔌 MCP / Tool Use ──► 🛠️ Herramientas / APIs
          │
          ▼

☁️ Infraestructura de Despliegue:
├── [ Managed API (Amazon Bedrock) ]   ──► On-Demand vs. Provisioned Throughput
└── [ Self-Hosted API (SageMaker AI) ] ──► Mayor Control / Mayor Operación

🤖 Agentic AI, Sistemas Multi-Agente, Memoria y MCP

🧠 Lo que debes entender realmente:

• Agentic AI: A diferencia de un chatbot tradicional que solo responde preguntas, un agente de IA utiliza un Foundation Model como motor de razonamiento para planificar y ejecutar tareas de varios pasos utilizando herramientas externas, memoria y sistemas.
• Sistemas Multi-Agente y Patrones: El trabajo complejo se distribuye entre agentes especializados (ej. Investigador → Analista → Redactor → Verificador). Se comunican mediante patrones Jerárquicos (un coordinador dirige), En cadena (la salida de uno es la entrada de otro) o En red (comunicación directa).
• Memoria: La memoria de corto plazo conserva contexto durante una tarea o interacción; la memoria de largo plazo conserva información entre diferentes sesiones.
• Tool Use vs. MCP: Tool use es la capacidad intrínseca del agente para llamar funciones, bases de datos o APIs. Model Context Protocol (MCP) es el protocolo estándar y abierto que define cómo conectar a los agentes con esos sistemas externos de forma consistente.

💡 Analogía

• Agentic AI: Un asistente ejecutivo autónomo al que le pides coordinar una conferencia y se encarga de llamar al hotel, reservar las salas y enviar las invitaciones.
• Tool Use: La habilidad del asistente para marcar números telefónicos o enviar correos.
• MCP: El enchufe eléctrico o conector universal estandarizado que permite que el teléfono del asistente se conecte a cualquier red telefónica del mundo sin importar el país.

⚖️ ML Tradicional vs. Foundation Models — ¿Cuándo elegir cuál?

🧠 Lo que debes entender realmente: La novedad técnica no implica superioridad de negocio.

• Preferir ML Tradicional: Cuando se requiere alta explicabilidad, cumplimiento de regulaciones estrictas, tareas repetitivas y claramente definidas, máxima eficiencia de costo a gran escala o fuertes restricciones de latencia y cómputo.
• Preferir Foundation Models: Cuando se busca resolver diferentes tareas con un mismo modelo, trabajar con lenguaje natural, generar contenido nuevo o desarrollar rápidamente sin entrenar un modelo específico para cada tarea.

💡 Analogía

• ML Tradicional: Una troqueladora industrial programada para cortar exactamente millones de tapas de botella al día: es ultrarrápida, barata, exacta y nunca falla.