Simulador de examen

Así son las preguntas

Tres preguntas de muestra, escritas solo para esta página: no forman parte del banco del simulador. Cada una explica la respuesta correcta y por qué se descarta cada una de las demás.

1. D2

   Pregunta de muestra 1

   El área financiera de una consultora teclea a mano cada mes unos 60 000 recibos de gastos de viaje en su aplicación de contabilidad, que solo admite cuatro campos por recibo: proveedor, fecha, importe total y moneda. La dirección quiere automatizar esa captura en un trimestre, con un coste por recibo conocido de antemano y sin contratar especialistas en ML.

   ¿Qué opción automatiza la captura dentro de esas condiciones?

   [A]Document AI, con su procesador preentrenado para recibos y otros documentos de gasto.[B]Un modelo Gemini de Agent Platform que lea cada recibo y devuelva los cuatro campos.[C]Cloud Vision API, para detectar y extraer el texto impreso en cada recibo.[D]Un modelo de extracción propio, entrenado en Agent Platform con los recibos ya tecleados.

   Comprobar

   Repetir

   Respuesta correcta: A

   Document AI convierte documentos en datos estructurados y ofrece procesadores preentrenados para los tipos de documento más habituales. El de gastos extrae de cada recibo el proveedor, la fecha, el importe total y la moneda, justo los cuatro campos que admite la aplicación de contabilidad, sin entrenar ningún modelo y con un precio publicado por documento procesado. Así se cumplen las tres condiciones: un trimestre de plazo, un coste por recibo conocido de antemano y ningún especialista en ML. Criterio reutilizable: cuando una API preentrenada resuelve exactamente una tarea repetitiva y de gran volumen, se elige antes que un modelo generalista o un desarrollo propio; la frontera se desplaza hacia el modelo generativo cuando hay que interpretar o redactar, no solo extraer campos fijos.

   Por qué se descartan las demás

   [B]

   Un modelo Gemini puede leer un recibo y no tiene por qué salir más caro, pero aquí obliga a construir algo que ya existe hecho: alguien tiene que diseñar los prompts y validar la extracción antes de fiarle 60 000 recibos al mes, y su coste se calcula por tokens, que varían de un recibo a otro, en lugar de un precio fijo por documento. El caso pide un coste conocido de antemano y ningún trabajo de diseño, y eso es lo que da un procesador preentrenado para un documento tan común.

   [C]

   Cloud Vision API devuelve el texto que aparece en la imagen del recibo, pero no indica qué parte es el proveedor, cuál la fecha y cuál el importe total. La aplicación de contabilidad necesita esos cuatro campos ya identificados, así que el equipo tendría que programar y mantener esa interpretación para cada formato de recibo.

   [D]

   Los recibos ya tecleados hacen tentador el entrenamiento a medida, pero preparar los datos, entrenar y evaluar un modelo es trabajo de los especialistas en ML que la consultora no quiere contratar, y difícilmente cabe en un trimestre. Solo se justificaría con un tipo de documento que ningún procesador preentrenado cubriera, y un recibo de gastos no lo es.

2. D1

   Pregunta de muestra 2

   Una empresa usa un mismo modelo, que no ha entrenado ella, para resumir informes, redactar anuncios de empleo y traducir fichas de producto.

   ¿Qué característica de los modelos fundacionales hace posible ese uso?

   [A]Se entrenan con datos etiquetados para resolver una sola tarea, definida de antemano.[B]Se entrenan con datos masivos y diversos y se adaptan a muchas tareas.[C]Aprenden por interacción con un entorno, a partir de recompensas y penalizaciones.[D]Consultan en cada petición documentos externos, de los que extraen la respuesta.

   Comprobar

   Repetir

   Respuesta correcta: B

   Un modelo fundacional es un modelo grande, entrenado con una cantidad masiva de datos diversos, en gran parte sin etiquetar, que después se adapta a muchas tareas distintas. Por eso la empresa puede resumir, redactar y traducir con un único modelo que no ha entrenado: aprovecha uno que ya existe en lugar de construir un modelo para cada trabajo. Los LLM son modelos fundacionales especializados en lenguaje. Criterio reutilizable: lo que distingue a un modelo fundacional es que se reutiliza y se adapta, mientras que el ML tradicional crea un modelo para cada problema.

   Por qué se descartan las demás

   [A]

   Describe un modelo de ML tradicional, creado para un único problema: un clasificador entrenado así no sabría redactar un anuncio ni resumir un informe. La empresa hace tres trabajos distintos con el mismo modelo, lo contrario de un modelo de una sola tarea. Además, los modelos fundacionales aprenden sobre todo de datos sin etiquetar.

   [C]

   Es la definición del aprendizaje por refuerzo, un enfoque de entrenamiento en el que el sistema prueba acciones y recibe una señal según el resultado. No explica que un mismo modelo sirva para resumir, redactar y traducir.

   [D]

   Describe el grounding, una técnica que conecta el modelo con fuentes externas para que responda con datos verificables. Es algo que se añade a un modelo fundacional, no lo que lo define: el modelo ya resume, redacta y traduce con lo que aprendió en su entrenamiento.

3. D3

   Pregunta de muestra 3

   Una comercializadora de energía clasifica con un modelo generativo en Agent Platform unas 90 000 reclamaciones escritas al mes en cuarenta categorías internas, que no cambian desde hace años. Tras semanas añadiendo instrucciones y ejemplos, el prompt ocupa varias páginas y encarece cada petición, y el modelo sigue confundiendo categorías parecidas. La empresa guarda miles de reclamaciones ya clasificadas por sus gestores.

   ¿Qué medida mejora la clasificación sin encarecer más cada petición?

   [A]Bajar la temperatura del modelo para que sus respuestas sean más estables.[B]Anclar el modelo en las reclamaciones históricas mediante RAG con Agent Search.[C]Ajustar el modelo con fine-tuning supervisado sobre las reclamaciones ya clasificadas.[D]Añadir al prompt muchos más ejemplos de reclamaciones de cada categoría.

   Comprobar

   Repetir

   Respuesta correcta: C

   El caso reúne las condiciones en las que Google recomienda el fine-tuning supervisado: una tarea bien definida (clasificar), miles de ejemplos etiquetados y un prompt engineering que ya no da más de sí. El ajuste enseña al modelo el criterio de los gestores y permite acortar el prompt, porque las instrucciones largas y los ejemplos dejan de enviarse en cada petición; a cambio hay un coste de entrenamiento que se paga una vez y, según el modelo, un precio por token algo mayor, que un prompt mucho más corto compensa. Como las categorías son estables, el modelo ajustado no se queda desfasado. Criterio reutilizable: primero se agota el prompt; si lo que falla es el comportamiento en una tarea estable y hay ejemplos etiquetados, fine-tuning; si lo que falta es información que cambia, grounding.

   Por qué se descartan las demás

   [A]

   Una temperatura baja hace las respuestas más estables, no más acertadas: el modelo repetiría con más constancia la misma confusión entre categorías parecidas. El problema no es que la respuesta varíe de una vez a otra, sino que el modelo no distingue bien esas categorías.

   [B]

   RAG da al modelo información que le falta o que cambia, y aquí no falta ningún dato ni cambia nada: las categorías llevan años estables. Recuperar reclamaciones parecidas en cada consulta sigue añadiendo texto a cada petición y no enseña al modelo el criterio que le falta. Ese mismo histórico sirve, en cambio, para enseñar la tarea al modelo una sola vez.

   [D]

   Es la vía que el equipo ya ha agotado: semanas de instrucciones y ejemplos no han resuelto la confusión. Además, cada ejemplo añadido se paga en todas las peticiones, y con 90 000 reclamaciones al mes un prompt aún más largo agrava el coste que se quiere contener.