AWS Builder Center

Introducción a la IA Generativa: el arte de lo posible en AWS

Resumen y reflexiones del curso AWS Training & Certification "Introduction to Generative AI - Art of the Possible": qué la diferencia del ML tradicional, casos prácticos por industria y riesgos éticos a considerar.

Series: Apuntes de AWS Training & Certification (2 articles)

  1. 1
    Introducción a la IA Generativa: el arte de lo posible en AWS This article
Engineering Student

Introducción a la IA Generativa: el arte de lo posible en AWS

Cuando empecé el curso Introduction to Generative AI - Art of the Possible (Spanish LATAM) de AWS Training & Certification, esperaba una definición más de "qué es la IA generativa". Lo que encontré fue algo más útil: un mapa de por qué esta tecnología importa para el negocio, no solo para la tecnología en sí. Comparto aquí mis apuntes y reflexiones, organizados para cualquiera que esté empezando su camino hacia la certificación AWS Certified AI Practitioner.

¿Por qué ahora?

El machine learning (ML) no es nuevo. Amazon lleva décadas usándolo: el motor de recomendaciones de su tienda en línea, la optimización de rutas en los centros logísticos, la planificación de la cadena de suministro, Prime Air y Alexa (que corre sobre más de 30 sistemas de ML distintos) son ejemplos de esto.
Entonces, ¿qué cambió? La respuesta no es solo técnica, es económica: enormes inversiones en talento y en cómputo permitieron entrenar modelos muchísimo más grandes que antes. Ese salto de escala es lo que dio lugar a los modelos fundacionales (FM), la base de la IA generativa moderna.
El machine learning entrena a una computadora para reconocer patrones en datos históricos y hacer predicciones sobre datos nuevos. La IA generativa lleva esa idea un paso más allá.

De ML tradicional a IA generativa

La diferencia clave está en cómo se adapta el modelo a nuevas tareas:
  • En el ML tradicional, cada tarea suele requerir su propio modelo, entrenado con datos etiquetados específicos.
  • En la IA generativa, un mismo modelo fundacional —preentrenado con datos a escala de internet— puede adaptarse a múltiples tareas sin necesidad de reentrenarlo desde cero.
Esto es posible gracias a los modelos de lenguaje de gran tamaño (LLM), que aprenden a predecir la siguiente palabra de una secuencia según el contexto, y usan esa capacidad para generar texto, código, imágenes y mucho más.
Un concepto que conecta todo esto es el deep learning (aprendizaje profundo): una arquitectura inspirada, de forma simplificada, en cómo se conectan las neuronas del cerebro. La IA generativa es, en esencia, un subconjunto del deep learning que puede reutilizar modelos ya construidos sin necesidad de ajuste fino constante.

El impacto no es teórico: cifras reales

Según el informe de McKinsey de 2023 citado en el curso, el impacto potencial de la IA generativa solo en retail y bienes de consumo envasados podría representar entre 400 000 y 660 000 millones de dólares al año. En el sector bancario, la cifra ronda los 200 000-340 000 millones de dólares anuales si los casos prácticos se implementan por completo.
Estos números ayudan a entender por qué prácticamente todas las industrias están explorando casos de uso:
  • Salud: generación automática de notas clínicas (por ejemplo, con AWS HealthScribe), medicina personalizada según el perfil genético del paciente, y mejora de imágenes médicas.
  • Ciencias biológicas: descubrimiento de fármacos, predicción del plegamiento de proteínas y diseño de biología sintética.
  • Servicios financieros: detección de fraude mediante datos sintéticos, simulación de escenarios de mercado para gestión de portafolios, y estrategias de cobranza más efectivas.
  • Manufactura: diseño de producto, optimización de procesos, mantenimiento preventivo y ciencia de materiales.
  • Retail: optimización de precios, pruebas virtuales de producto, diseño de tienda y resúmenes automáticos de reseñas.
  • Medios y entretenimiento: generación de guiones, entornos de realidad virtual y redacción automatizada de noticias.

Las tres capas de la IA generativa en AWS

AWS organiza su oferta de IA generativa en tres capas, de abajo hacia arriba:

1. Cómputo

Ejecutar LLMs de gran tamaño requiere hardware especializado. AWS diseñó desde cero dos chips propios: AWS Trainium (entrenamiento) y AWS Inferentia (inferencia), pensados para reducir el costo y mejorar el rendimiento frente a implementar modelos ultragrandes con cientos de miles de millones de parámetros.

2. Creación de tus propios modelos

Con Amazon SageMaker JumpStart puedes entrenar tus propios LLM desde cero (apoyándote en Trainium) o partir de un modelo ya disponible y volver a entrenarlo con tus datos.

3. Modelos fundacionales listos para usar

No siempre tiene sentido entrenar un FM propio. Amazon Bedrock ofrece acceso, mediante una sola API, a modelos de Amazon (como la familia Titan) y de las principales startups de IA, permitiendo elegir el modelo que mejor se adapte a cada caso práctico sin gestionar infraestructura.
A esto se suma Amazon Q Developer, que asiste a los desarrolladores directamente en su IDE con sugerencias de código en tiempo real, y Amazon QuickSight, que usa IA generativa para crear narrativas visuales a partir de preguntas en lenguaje natural.

IA generativa para pequeñas empresas

Uno de los puntos que más valoro del curso es que no se queda en las grandes corporaciones. Las pymes ya están usando IA generativa para:
  • Crear y optimizar contenido para sitios web, blogs y redes sociales.
  • Personalizar campañas de marketing según el comportamiento del cliente.
  • Automatizar la atención al cliente con asistentes que resuelven consultas rutinarias, dejando los casos complejos al equipo humano.
  • Encontrar patrones en datos no estructurados (video, texto, correos, imágenes), interpretando la intención detrás de búsquedas vagas, algo que la búsqueda tradicional por palabras clave no logra.
  • Analizar tendencias y pronosticar demanda para tomar mejores decisiones.
El curso insiste en algo clave: antes de implementar IA, hay que tener un objetivo de negocio claro. Sin eso, es difícil medir el éxito o justificar la inversión, por más "bajo código" que sea la herramienta.

Consideraciones éticas que no se pueden ignorar

La parte del curso que más me hizo pensar fue la de riesgos. No es una lista de advertencias genéricas, sino de problemas concretos que hay que gestionar durante todo el ciclo de vida de una aplicación:
  • Toxicidad: contenido ofensivo o inapropiado generado por el modelo.
  • Alucinaciones: afirmaciones que suenan convincentes pero son falsas.
  • Propiedad intelectual: el modelo puede reproducir fragmentos textuales de sus datos de entrenamiento.
  • Plagio y trampa: facilita copiar o hacer pasar contenido generado como propio.
  • Amplificación del sesgo: si los datos de entrenamiento tienen sesgos, el modelo los hereda y los repite a escala.
  • Privacidad: la información compartida con el modelo puede incluir datos personales y entrar en conflicto con normativas de privacidad.
Sobre el sesgo en particular, el curso desglosa varios tipos que vale la pena conocer: cognitivo, de confirmación, cultural, de los conjuntos de datos, demográfico, político, lingüístico, estadístico, de sistemas y temporal. Cada uno aparece en una etapa distinta del proceso —desde qué datos se eligen hasta quién decide cómo se usa el modelo— y entenderlos ayuda a diseñar controles más específicos en lugar de una mitigación genérica de "sesgo".

Mi conclusión

Este curso funciona como una buena puerta de entrada antes de ir a contenido más técnico de Amazon Bedrock o SageMaker. Deja claro que la IA generativa no es magia ni es solo un chatbot: es una capa de modelos fundacionales, apoyada en cómputo especializado, que se adapta a casos de uso muy distintos entre industrias, siempre que se gestione con criterios éticos y un objetivo de negocio bien definido.
Si estás en el camino hacia la certificación AWS Certified AI Practitioner, este curso es un excelente punto de partida para construir el vocabulario y el marco conceptual que necesitarás más adelante.


Este artículo resume mis notas personales del curso gratuito de AWS Training & Certification "Introduction to Generative AI - Art of the Possible (Spanish LATAM)", disponible en  AWS Skill Builder .

Series: Apuntes de AWS Training & Certification (2 articles)

  1. 1
    Introducción a la IA Generativa: el arte de lo posible en AWS This article
Any opinions in this article are those of the individual author and may not reflect the opinions of AWS.
Enjoyed reading this content? Let the author know!

Your likes, comments, shares, and saves help creators reach more builders.

Loading recommendations

Loading article