Área 1: Fundamentos de la IA generativa

1.1 Core gen AI concepts and use cases

Exam Guide §1.1 Defining core gen AI concepts (AI, NLP, ML, generative AI, foundation models, multimodal foundation models, diffusion models, prompt tuning, prompt engineering, LLMs) · ML approaches (supervised, unsupervised, reinforcement) · ML lifecycle stages and Google Cloud tools · choosing a foundation model · business use cases (create, summarize, discover, automate).

Jerarquía de conceptos: IA → ML → aprendizaje profundo → IA generativa

• La inteligencia artificial (artificial intelligence, AI; en español, IA) es el campo general: construir máquinas que realicen tareas que normalmente requieren inteligencia humana (aprender, resolver problemas, tomar decisiones).

Modelos fundacionales, LLM, modelos multimodales y modelos de difusión

• Los modelos fundacionales (foundation models) son modelos de ML grandes y preentrenados, entrenados con cantidades enormes de datos (mayoritariamente no etiquetados), por lo que desarrollan una amplia "comprensión del mundo" y pueden adaptarse a muchas tareas. Son la base de la IA generativa.

Prompting, ingeniería de prompts, ajuste de prompts

• Prompt / prompting: el prompting es la forma de interactuar con los modelos fundacionales y de dirigirlos: se dan instrucciones o entradas para obtener las salidas deseadas. Un prompt es esa entrada (instrucción, pregunta, archivo, ejemplo); su finalidad es proporcionar input al modelo y desencadenar una salida.

Enfoques de ML: supervisado, no supervisado, por refuerzo

• El aprendizaje supervisado (supervised learning) entrena con datos etiquetados (labeled data) (entrada + salida correcta conocida) y predice salidas para entradas nuevas. Tareas típicas: clasificación (spam / no spam), regresión (precio), predicción (avería de una máquina).

Ciclo de vida del ML y herramientas de Google Cloud por fase

• Formulación de las fases en el Exam Guide: data ingestion → data preparation → model training → model deployment → model management (ingesta de datos → preparación de datos → entrenamiento del modelo → despliegue del modelo → gestión del modelo). El Study Guide agrupa las dos primeras fases en "Data ingestion and preparation".

Elegir el modelo fundacional adecuado

• Factores del Exam Guide: modality, context window, security, availability and reliability, cost, performance, fine-tuning and customization. El Study Guide explica modality, context window, performance y availability and reliability. Esta base de conocimiento añade ease of integration.

Casos de uso empresariales: crear, resumir, descubrir, automatizar

• Los cuatro tipos principales de uso de la IA generativa (ejemplos propios):
  • Create (crear): generar contenido nuevo; p. ej., una editorial encarga borradores de textos de contraportada y teasers para redes sociales, un taller artesanal textos de presupuestos, un equipo de desarrollo código
  • Summarize (resumir): condensar información en resúmenes breves; p. ej., una empresa farmacéutica resume informes de estudios extensos, una universidad las actas de reuniones de órganos colegiados
  • Discover (descubrir): encontrar información en el momento adecuado; p. ej., una empresa de logística busca cláusulas en miles de documentos de transporte, una compañía eléctrica detecta patrones en los avisos de averías
  • Automate (automatizar): automatizar tareas hasta ahora manuales; p. ej., una aseguradora transfiere automáticamente los datos de los formularios de siniestro al sistema de gestión de pólizas; se envían notificaciones automáticamente

1.2 How data types are used in gen AI and the business implications

Exam Guide §1.2 Characteristics and importance of data quality and data accessibility (completeness, consistency, relevance, availability, cost, format) · structured vs. unstructured data with real-world examples · labeled vs. unlabeled data.

Calidad de los datos

• Los modelos de ML analizan datos, reconocen patrones y calculan a partir de ellos probabilidades para casos nuevos. Por eso, la calidad y la accesibilidad de los datos determinan directamente la calidad de los resultados; el rendimiento de los modelos fundacionales depende en gran medida de los datos.

Accesibilidad de los datos

• Datos accesibles (accessible data): los datos para el entrenamiento deben estar fácilmente disponibles, ser utilizables y tener el formato adecuado. Tres dimensiones según el Exam Guide (explicación):
  • Availability (disponibilidad): sin datos disponibles no hay entrenamiento ni predicción, y esto vale tanto en el entrenamiento como en producción.
  • Cost (coste): obtener, limpiar y etiquetar datos de alta calidad puede ser un obstáculo considerable.
  • Format (formato): los datos deben estar en un formato que el modelo pueda procesar. En última instancia, las redes neuronales solo calculan con números; por eso el texto, la imagen y el audio se traducen a representaciones numéricas (p. ej., embeddings (incrustaciones)).

Datos estructurados vs. no estructurados

• Datos estructurados (structured data): organizados, fáciles de buscar, a menudo almacenados en bases de datos relacionales/tablas. Ejemplos: ID de cliente, nombre, fecha de compra, importe del pedido, valoración de 1 a 5 estrellas, transacciones, mediciones de sensores en tablas.

Datos etiquetados vs. no etiquetados

• Datos etiquetados (labeled data): datos con etiquetas asignadas (nombre, tipo, número) que les dan significado, p. ej., "spam / no spam" o "precio de venta". Permiten el aprendizaje supervisado. El etiquetado es caro y laborioso.

1.3 Core layers of the gen AI landscape and business implications

Exam Guide §1.3 Infrastructure · Models · Platforms · Agents · Applications

La pila de cinco capas

• Applications: la aplicación aporta la interfaz de usuario y la finalidad general; los agentes son componentes inteligentes dentro de una aplicación. Los agentes definen las capacidades (buscar, reservar, recomendar) y la aplicación las pone a disposición del usuario.

1.4 Use cases and strengths of Google's foundation models

Exam Guide §1.4 Gemini · Gemma · Imagen · Veo

Otros modelos de Google del Study Guide y la documentación (no incluidos en el EG)

• Gemini Nano: el modelo más eficiente y compacto de Google, diseñado específicamente para ejecutarse en dispositivos (on-device/edge). Ventajas: privacidad (los datos permanecen en el dispositivo), velocidad (sin ida y vuelta a la nube), uso sin conexión. En Android se ejecuta en el servicio del sistema AICore; los desarrolladores lo usan a través de las ML Kit GenAI APIs (p. ej., resumir, reformular, describir imágenes).

Gemini app vs. modelo Gemini

• Gemini (modelo) es un modelo de IA generativa de Google que impulsa muchas soluciones diferentes. La Gemini app es el chatbot de IA generativa de Google (una aplicación) para escribir, resumir, traducir y generar imágenes. Gemini también está presente en Google Workspace with Gemini, Gemini for Google Cloud (incluido el análisis de datos en BigQuery), etc.