Certificación oficial Google Cloud
Guía del Examen — Generative AI Leader
Las 4 secciones con sus pesos y todos los temas. Marca los que ya dominas.
~30%
Sección 1: Fundamentos de IA Gen
Conceptos core, datos, ciclo de vida ML, capas del ecosistema, modelos base de Google.
~35%
Sección 2: Ofertas Google Cloud
Fortalezas Google, Gemini, Workspace, herramientas devs, agentes, tooling, Customer Suite.
~20%
Sección 3: Técnicas de Mejora
Limitaciones de modelos, prompt engineering, fundamentación, RAG, parámetros de muestreo.
~15%
Sección 4: Estrategia de Negocio
Implementación, IA segura, SAIF, IA responsable, privacidad, accountabilidad.
📋 Sección 1 · Fundamentos (~30%) 1.1 – 1.4
🛠️ Sección 2 · Ofertas Google Cloud (~35%) 2.1 – 2.5
⚡ Sección 3 · Técnicas de Mejora (~20%) 3.1 – 3.3
🏢 Sección 4 · Estrategia de Negocio (~15%) 4.1 – 4.3
Módulos 1–5 + Guía Oficial
Conceptos Fundamentales
Todos los términos evaluados en el examen.
IA Generativa
Tipo de IA que crea ideas y contenidos nuevos. Capacidades: crear, resumir, descubrir y automatizar. Genera texto, imágenes, código y video. Va mucho más allá de los chatbots.
Sección 1Aprendizaje Automático (ML)
Subcampo de la IA donde las máquinas aprenden a partir de datos. Incluye tres enfoques: supervisado (datos etiquetados), no supervisado (patrones naturales) y por refuerzo (recompensas).
Sección 1Modelo de Base (Foundation Model)
Modelo de IA grande entrenado con datos masivos y DIVERSOS, adaptable a muchas tareas. Características: flexible, adaptable a dominios especializados mediante fine-tuning o prompting.
Sección 1LLM — Modelos de Lenguaje Grandes
Tipo específico de modelo de base para comprender y generar lenguaje humano. Todo LLM es modelo de base, pero no viceversa. Los LLMs son un subconjunto de los modelos de base.
Sección 1Modelo de Difusión
Modelo base especializado en generar imágenes fotorrealistas desde texto. Ejemplo: Imagen de Google. Diferente de los LLMs que trabajan con lenguaje.
Sección 1Modelo Multimodal
Procesa y genera múltiples tipos de datos simultáneamente: texto, imágenes, audio, video y código. Ejemplo: Gemini es un modelo multimodal desde su diseño.
Sección 1Ventana de Contexto
Cantidad de datos que el modelo puede procesar en una sola interacción. Factor clave para elegir modelo para documentos largos o conversaciones extensas.
Sección 1Fine-tuning (Ajuste fino)
Entrenamiento adicional con datos específicos del dominio para especializar un modelo pre-entrenado. Más costoso que prompting. Ideal para casos donde el prompting no es suficiente.
Sección 3Ingeniería de Instrucciones
Arte y ciencia de diseñar instrucciones efectivas para guiar a los LLMs. Técnicas: zero-shot, one-shot, few-shot, role prompting, prompt chaining, CoT y ReAct.
Sección 3Alucinaciones (Hallucinations)
Cuando un modelo genera información que parece plausible pero es incorrecta o inventada. Limitación crítica de los LLMs. Se mitiga con fundamentación (grounding) y RAG.
Sección 3RAG (Generación Mejorada por Recuperación)
4 pasos: 1) Recuperar info de fuentes externas, 2) Mejorar prompt, 3) Generar respuesta, 4) Iteración opcional. Conecta el LLM con conocimiento actualizado. Mitiga alucinaciones.
Sección 3Fundamentación (Grounding)
Conecta los resultados de la IA con fuentes verificables. Tipos: datos de primera parte (empresa), terceros y datos mundiales (Google Search).
Sección 3Temperatura
Parámetro que controla aleatoriedad/creatividad. Baja (0–0.3) = preciso/predecible. Alta (0.8–1.0+) = creativo/variado.
Sección 3Top-P (Nucleus Sampling)
Parámetro de muestreo que selecciona vocabulario acumulado hasta probabilidad P. Controla diversidad léxica junto con la temperatura.
Sección 3Secure AI Framework (SAIF)
Framework de Google para administrar riesgos de modelos IA/ML y garantizar seguridad en todo el ciclo de vida. Establece estándares para implementar IA responsable.
Sección 4Identity and Access Management (IAM)
Sistema de control de acceso granular de Google Cloud. Herramienta clave de seguridad para gobernanza de datos en proyectos de IA empresarial.
Sección 4Human in the Loop (HITL)
Práctica recomendada por Google de mantener supervisión humana en sistemas de IA. Especialmente importante en decisiones de alto riesgo o con datos sensibles.
Sección 3Model Drift (Deriva del Modelo)
Degradación gradual del rendimiento del modelo porque el mundo real cambia pero el modelo no se actualiza. Se mitiga con monitoreo continuo y actualizaciones automáticas.
Sección 3Datos Estructurados vs No Estructurados
Estructurados: bases de datos, tablas, CSV (organizado, fácil de buscar). No estructurados: texto libre, imágenes, audio, video (sin formato predefinido, requieren técnicas avanzadas).
Sección 1Accountabilidad y Explicabilidad
Accountabilidad: las decisiones de IA tienen un responsable identificable. Explicabilidad: capacidad de entender por qué el modelo tomó una decisión. Pilares de IA responsable.
Sección 4Sección 1.4 del Examen
Modelos Fundacionales de Google
Casos de uso y fortalezas. Tema directo en el examen.
Gemini
Modelo Multimodal Avanzado
Modelo más avanzado de Google. Diseñado para ser multimodal desde el inicio: texto, imágenes, audio, video y código. App personal, Workspace y Cloud.
TextoImágenesCódigoVideo
Gemma
Modelos Open Source
Familia de modelos de código abierto y ligeros. Diseñados para despliegue local o en dispositivos. Personalizables con privacidad y control total.
Open SourceOn-deviceFine-tuning
Imagen
Generación de Imágenes
Modelo de difusión para generar imágenes fotorrealistas de alta calidad desde texto. Líder en calidad visual y comprensión de instrucciones complejas.
Text-to-ImageEdiciónPrototipos
Veo
Generación de Video
Modelo para generación de video de alta calidad desde texto o imágenes. Comprende físicas, iluminación y continuidad narrativa para videos realistas.
Text-to-VideoImage-to-VideoCreativo
Criterios para elegir modelo base (Sección 1.1)
| Factor | Descripción | Consideración práctica |
|---|---|---|
| Modalidad | Tipo de datos que procesa/genera | ¿Solo texto o también imágenes/video? |
| Ventana de Contexto | Datos procesables por interacción | Documentos largos → ventana grande |
| Seguridad | Controles de seguridad y privacidad | Datos sensibles → más controles |
| Disponibilidad | SLA y uptime garantizados | Apps críticas → alta disponibilidad |
| Costo | Precio por token/consulta | Alto volumen → evaluar costo por operación |
| Rendimiento | Calidad y velocidad de respuesta | Tiempo real → baja latencia |
| Fine-tuning | Capacidad de personalización | Dominio muy especializado → fine-tuning |
Sección 1.3 del Examen
Panorama de la IA Generativa
Las 5 capas del ecosistema y sus implicaciones de negocio. Haz clic en cada capa.
Ecosistema IA Gen · 5 Capas
5. Aplicaciones
↕
4. Agentes
↕
3. Plataforma (Vertex AI / Agent Platform)
↕
2. Modelos (Gemini · Gemma · Imagen · Veo)
↕
1. Infraestructura (GPU · TPU · Hypercomputer)
Sección 2.3 · Customer Engagement Suite
Agentes Conversacionales
Chatbots eficaces para interactuar con clientes de forma natural. Parte del Customer Engagement Suite integrable con CCaaS.
Customer SuiteAgent Assist
Asistencia en tiempo real a agentes humanos de centros de contacto. Sugiere respuestas y recupera información relevante durante la conversación.
Customer SuiteConversational Insights
Obtén estadísticas de todas las comunicaciones con clientes. Analiza patrones, sentimientos y tendencias en las interacciones.
Customer SuiteAgent Search / Vertex AI Search
Soluciones de búsqueda y recomendaciones con fundamentación. Mitiga alucinaciones conectando resultados a fuentes verificables.
Sección 2.3Agentspace
Integra agentes de búsqueda y conversacionales que acceden a datos de múltiples fuentes internas de la organización.
Sección 2.2CCaaS
Contact Center as a Service: solución empresarial nativa de la nube. Integra agentes conversacionales, Agent Assist y análisis en una sola plataforma.
Customer SuiteSección 3.1 del Examen
Limitaciones y Cómo Superarlas
Limitaciones comunes y soluciones recomendadas por Google Cloud.
Alucinaciones
Genera información plausible pero incorrecta. Mayor riesgo en dominios especializados sin datos de entrenamiento suficientes.
✓ Solución: Fundamentación + RAG
Knowledge Cutoff
Fecha límite del entrenamiento. No conoce eventos recientes ni información actualizada posterior a ese corte.
✓ Solución: RAG + Grounding con Google Search
Sesgo y Equidad
Puede reproducir sesgos presentes en los datos de entrenamiento, generando resultados injustos para ciertos grupos.
✓ Solución: Datos diversos + auditoría + HITL
Dependencia de Datos
La calidad del modelo está directamente vinculada a la calidad de los datos. Garbage in, garbage out.
✓ Solución: Calidad datos: precisión + coherencia + completitud
Edge Cases
El modelo puede fallar en situaciones atípicas no bien representadas en el entrenamiento.
✓ Solución: Fine-tuning con datos del dominio + HITL
Model Drift
El rendimiento se degrada con el tiempo porque el mundo real cambia pero el modelo no.
✓ Solución: Monitoreo continuo + actualizaciones automáticas
Monitoreo Continuo Recomendado (Sección 3.1)
Actualizaciones automáticas del modelo
Mantener el modelo actualizado sin intervención manual constante.
KPIs (Indicadores clave de rendimiento)
Métricas específicas para medir impacto y precisión del modelo.
Parches de seguridad y actualizaciones
Proteger el modelo frente a nuevas vulnerabilidades.
Versionamiento
Control de versiones del modelo para rollback si es necesario.
Drift Monitoring
Detectar cuándo el modelo empieza a degradarse por cambios en los datos.
Agent Platform Feature Store
Almacén centralizado de características para entrenamiento y predicción.
Examen de práctica
Quiz Interactivo
50 preguntas organizadas por las 4 secciones del examen oficial.
Pregunta 1 de 50Puntos: 0
0/50
Sigue practicando
0Correctas
0Incorrectas
0%Porcentaje
Memorización activa
Flashcards
Haz clic en la tarjeta para ver la definición. 55 tarjetas cubren todo el examen.
1 / 55·Sección 1
TÉRMINO → clic para ver definición
IA Generativa
DEFINICIÓN
Cargando...
Ruta de aprendizaje
5 Cursos + Examen Oficial
Cómo los cursos mapean a las secciones del examen.
Curso 1 · Secciones 1 y 2
Revisión de IA Generativa: más allá de los chatbots
Conceptos básicos IA Gen, Modelos de Base, instrucciones, ecosistema Google. Estrategia: arriba-abajo + abajo-arriba. 4 capacidades: crear, resumir, descubrir, automatizar.
Curso 2 · Secciones 1 y 4
IA Generativa: descubre los conceptos fundamentales
IA, ML, Deep Learning, LLMs, Modelos de Base. Tipos de datos, calidad, ciclo de vida ML. Enfoques: supervisado, no supervisado, por refuerzo. IA Responsable, SAIF.
Curso 3 · Secciones 1 y 2
IA Generativa: explora el panorama
5 capas: Aplicaciones, Agentes, Plataforma, Modelos, Infraestructura. Vertex AI. Agentes: bucle de razonamiento, herramientas. Gemini Nano y edge computing.
Curso 4 · Secciones 2 y 3
Apps de IA Generativa: transforma tu trabajo
Gemini App, Workspace, Cloud, NotebookLM. Técnicas de instrucciones: zero-shot, one-shot, few-shot, rol, encadenamiento. Fundamentación, RAG, Gems.
Curso 5 · Secciones 2, 3 y 4
Agentes de IA Generativa: transforma tu organización
Tipos de agentes (determinísticos, generativos, híbridos). ReAct, CoT. Customer Engagement Suite. Vertex AI Search. Agentspace. Estrategia de impacto empresarial.
Examen · 4 Secciones Oficiales
Generative AI Leader Certification — Google Cloud
S1 (~30%): Fundamentos. S2 (~35%): Ofertas Google Cloud. S3 (~20%): Técnicas de mejora. S4 (~15%): Estrategia de negocio. Temas adicionales a los cursos: Gemma, Veo, Top-P, HITL, anonimización, accountabilidad.
Referencia rápida para el examen
Resumen Ejecutivo Completo
Todo lo esencial antes del examen.
Jerarquía de Conceptos IA (Sección 1.1)
IA → ML → Deep Learning → IA Generativa
Cada nivel es subconjunto del anterior.
Modelos de Base ⊃ LLMs
Todo LLM es modelo de base. No al revés.
Imagen → imágenes · Veo → video
Cada modelo tiene su especialidad principal.
Gemma → open source y on-device
Personalización local con privacidad.
Ciclo de Vida del ML — orden exacto (Sección 1.1)
1. Ingestión de datos
Recopilar y mover datos al sistema.
2. Preparación de datos
Limpiar, transformar y etiquetar.
3. Entrenamiento del modelo
Crear el modelo con los datos preparados.
4. Despliegue del modelo
Poner en producción y disponible.
5. Gestión del modelo
Monitorear, mantener y actualizar.
Técnicas de Prompting (Sección 3.2)
Zero-shot
Sin ejemplos. Solo conocimiento del modelo.
One-shot
Un ejemplo para guiar la respuesta.
Few-shot
Varios ejemplos para tareas complejas.
Role Prompting
Asigna personificación para influir en tono.
Prompt Chaining
Conversación continua para mantener contexto.
Chain-of-Thought (CoT)
Ejemplos con pasos de razonamiento intermedios.
ReAct Prompting
Razonar y actuar: alterna razonamiento y acciones.
Parámetros de Control del Modelo (Sección 3.3)
Temperatura
Creatividad. 0=preciso, 1+=creativo.
Top-P (Nucleus Sampling)
Diversidad léxica del vocabulario acumulado.
Conteo de Tokens
Límite de entrada/salida en el contexto.
Safety Settings
Filtros para contenido inapropiado.
Output Length
Largo máximo de la respuesta generada.
Grounding Google Cloud (Sección 3.3)
RAG pre-construido con Agent Search
Listo para usar sin desarrollo personalizado.
RAG APIs
Construir pipelines RAG personalizados.
Grounding con Google Search
Datos mundiales actualizados en tiempo real.
IA Responsable y Segura (Secciones 4.2–4.3)
SAIF
Estándares de seguridad para todo el ciclo de vida ML.
IAM
Control de acceso granular a recursos de Google Cloud.
Anonimización y Seudonimización
Técnicas de privacidad para datos personales en IA.
Accountabilidad + Explicabilidad
Responsable identificable + entender decisiones del modelo.
HITL (Human in the Loop)
Supervisión humana en decisiones críticas de IA.
Security Command Center
Detectar y mitigar amenazas de seguridad en Google Cloud.
Diferencias Clave para el Examen
Google AI Studio vs Agent Studio
AI Studio: principiantes/gratis. Agent Studio: empresarial/escala.
Model Garden vs AutoML vs Fine-tuning
Garden: existentes. AutoML: entrena fácil. Fine-tuning: ajuste profundo.
Determinístico vs Generativo vs Híbrido
Reglas fijas vs LLM natural vs control+flexibilidad.
Fundamentación vs RAG
Fundamentación: concepto. RAG: proceso técnico de 4 pasos.
Gemini app vs Enterprise vs Workspace
Personal vs datos empresariales vs integrado en Gmail/Docs.
Datos etiquetados vs no etiquetados
Etiquetados: supervisado. No etiquetados: no supervisado.