Preguntas de examen Databricks Generative AI Engineer Associate

Escenario · Selecciona una respuesta

Un clasificador de almacén debe devolver exactamente `AVAILABLE` cuando el stock sea mayor que cero y `UNAVAILABLE` en caso contrario. ¿Qué instrucción define mejor el contrato?

1. Devuelve `AVAILABLE` siempre que el mensaje mencione un producto.

2. Devuelve una de las dos etiquetas e incluye un JSON con el almacén y el razonamiento.

3. Devuelve `UNAVAILABLE` siempre que el mensaje contenga una cantidad.

4. Dada la cantidad de stock validada, devuelve únicamente `AVAILABLE` si es mayor que cero; en caso contrario, devuelve únicamente `UNAVAILABLE`.

Escenario · Selecciona una respuesta

Un asistente interno de cumplimiento debe responder con políticas que se revisan varias veces al mes. El equipo quiere la arquitectura mantenible más pequeña y no desea entrenar tras cada revisión. ¿Qué conjunto encaja?

1. Un retriever, un prompt que inserte la evidencia recuperada y un LLM generador

2. Un trabajo programado de fine-tuning que reentrene el LLM tras cada revisión

3. Un LLM con instrucciones, pero sin acceso al corpus de políticas

4. Un supervisor multiagente y un modelo ajustado aunque la tarea tenga una única ruta fija de recuperación

Concepto · Selecciona una respuesta

Un servicio de informes debe reducir una narración de incidente de varios párrafos a una sola frase que conserve el suceso principal y su impacto. ¿Qué tarea NLP debe guiar la selección del modelo?

1. Traducción text-to-text

2. Detección de límites entre frases

3. Clasificación temática

4. Resumen

Escenario · Selecciona una respuesta

Según la clasificación de la guía del examen de marzo de 2026: Una empresa quiere una única interfaz conversacional que delegue preguntas financieras a un Genie Agent, preguntas de políticas a un Knowledge Assistant y acciones a tools gobernadas. ¿Qué capacidad encaja?

1. Information Extraction

2. Supervisor Agent

3. Un único PromptTemplate

4. Un índice Delta Sync

Código / API · Selecciona 2 respuestas

Un router utiliza una salida tipada: class Route(BaseModel): category: Literal["billing", "technical", "cancellation"] route_llm = llm.with_structured_output(Route) ¿Qué DOS prácticas hacen más fiable el enrutamiento? (Elige dos).

1. Añadir todos los documentos de la empresa al prompt de routing

2. Mantener un conjunto Literal cerrado para las categorías permitidas

3. Validar la categoría analizada antes de invocar la rama seleccionada

4. Solicitar razonamiento libre y analizar la última palabra con split()

5. Aumentar la temperatura para que el modelo invente nuevas rutas

Escenario · Selecciona una respuesta

Una consulta de AI Search recupera 20 candidatos, pero las etiquetas offline muestran que los pasajes más relevantes suelen quedar por debajo de las tres posiciones enviadas al LLM. ¿Qué debería probar primero el equipo?

1. Aplicar un reranker al conjunto candidato antes de seleccionar los tres pasajes finales.

2. Pedir al LLM que reordene después de haber descartado ya diecisiete candidatos.

3. Sustituir el modelo de embeddings sin medir primero una línea base del ranking.

4. Enviar todos los candidatos al generador sin considerar el presupuesto de contexto.

Escenario · Selecciona 2 respuestas

Un corpus produce más filas de chunks de las que admite el índice elegido. ¿Qué DOS cambios reducen el número de filas sin eliminar documentos fuente? (Elige dos).

1. Aumentar el tamaño máximo del chunk dentro del límite del modelo de embeddings.

2. Reducir el solapamiento entre chunks manteniendo suficiente contexto en los límites.

3. Reducir el tamaño del chunk.

4. Aumentar el solapamiento.

5. Usar embeddings con menos dimensiones manteniendo los mismos límites de chunk.

Escenario · Selecciona una respuesta

Un asistente de compras responde sobre políticas de facturación, pero no puede informar del hito actual de entrega de un pedido concreto. Cada solicitud incluye `purchase_order_id`. ¿Qué fuente cubre la carencia?

1. Un índice vectorial con páginas comerciales genéricas de transportistas.

2. Una tabla operacional gobernada, indexada por `purchase_order_id`, con hito actual y llegada estimada.

3. Un conjunto de fine-tuning con entregas del año anterior.

4. Una regla de prompt que sume un número fijo de días a cualquier fecha de pedido.

Código / API · Selecciona una respuesta

Un corpus RAG contiene PDF con encabezados, tablas, listas y un orden de lectura que debe conservarse para el chunking. ¿Qué función de Databricks produce contenido documental estructurado?

1. ai_query

2. ai_parse_document

3. vector_search

4. ai_classify

Concepto · Selecciona una respuesta

Un corpus debe responder tanto preguntas generales sobre un tema como preguntas precisas sobre pasajes. ¿Qué preparación avanzada está diseñada para varios niveles de abstracción?

1. Resúmenes jerárquicos estilo RAPTOR

2. Eliminar todos los metadatos

3. Una oración por índice

4. Aumentar la temperatura

Escenario · Selecciona una respuesta

Una prueba cuenta tokens con el tokenizer de cada candidato, incluidos prefijos y tokens especiales. Los documentos requieren como máximo 512 tokens y las consultas, embebidas por separado, 90. Todos superan el umbral de calidad. ¿Qué candidato probar primero para minimizar tamaño sin truncar?

1. Modelo de 768 dimensiones, límite de 514 tokens y tamaño de 0,44 GB.

2. Modelo de 2.560 dimensiones, límite de 2.048 tokens y tamaño de 11 GB.

3. Modelo de 4.096 dimensiones, límite de 32.768 tokens y tamaño de 14 GB.

4. Modelo de 384 dimensiones, límite de 512 tokens y tamaño de 0,13 GB.

Concepto · Selecciona 2 respuestas

Un asistente conversacional debe recuperar material gobernado y conservar estado explícito entre turnos. ¿Qué DOS capacidades satisfacen directamente esos requisitos? (Elige dos).

1. Un almacén de conocimiento consultable o retriever para el material

2. Un almacén de estado o checkpoints acotado a la conversación

3. Una tool de acciones sin restricciones aunque no se requiera ninguna acción

4. Un loader usado en cada turno en lugar de un índice

5. Una librería de componentes de interfaz

Escenario · Selecciona una respuesta

Una aplicación comercial debe procesar documentos médicos recientes en español con un modelo abierto de un hub. ¿Qué evidencia debe guiar la preselección antes de evaluar la tarea?

1. Que pertenezca a una familia popular, con independencia de su model card.

2. Solo el número de descargas.

3. Solo la fecha de publicación.

4. Una model card que documente tarea, evidencia en español y dominio médico, contexto, licencia, riesgos y uso previsto.

Concepto · Selecciona una respuesta

Una respuesta RAG afirma hechos que no están respaldados por ningún documento recuperado. ¿Qué problema de calidad debe investigarse primero?

1. Groundedness

2. Throughput

3. Dimensión de embedding

4. Facturación por tokens

Escenario · Selecciona una respuesta

Un equipo quiere comparar chunks por párrafos con chunks fijos de 500 tokens. ¿Cuál es el experimento más sólido?

1. Cambiar a la vez chunking, embeddings y LLM.

2. Usar las mismas consultas etiquetadas y métricas de recuperación cambiando únicamente la estrategia de chunking.

3. Elegir la que produzca menos filas sin evaluar respuestas.

4. Preguntar a un usuario cuál parece mejor.

Escenario · Selecciona una respuesta

Una tool de facturación exige `account_id` y `transaction_id` en cada consulta. ¿Cómo debe incorporar el agente esos valores?

1. Ajustar el modelo con identificadores históricos para que prediga ambos campos desde el texto del usuario.

2. Extraer ambos campos, validar formato y autorización, y pasarlos explícitamente en la llamada gobernada a la tool.

3. Guardar los últimos identificadores en variables del serving y reutilizarlos entre las sesiones de todos los usuarios.

4. Recuperar facturas semánticamente parecidas y dejar que el generador infiera los identificadores ausentes.

Escenario · Selecciona una respuesta

Un modelo debe emitir exactamente {"priority": "high|medium|low"}, pero las instrucciones zero-shot siguen produciendo prosa adicional. ¿Cuál es el mejor siguiente cambio?

1. Añadir ejemplos few-shot con solo JSON válido

2. Aumentar la temperatura

3. Pedir chain-of-thought

4. Eliminar el esquema

Código / API · Selecciona una respuesta

Un agente personalizado usa un framework externo, pero debe integrarse con tracing, evaluación, despliegue y monitorización de Databricks. ¿Qué interfaz de MLflow es el wrapper recomendado?

1. ResponsesAgent

2. pandas.DataFrame

3. Solo PromptTemplate

4. AutoMLClassifier

Concepto · Selecciona una respuesta

El mismo scorer de groundedness se ejecuta sobre un conjunto fijo antes del despliegue y sobre trazas reales muestreadas después. ¿Qué distingue ambos usos?

1. La evaluación offline compara versiones con ejemplos controlados; la monitorización observa el tráfico real cambiante.

2. Usar el mismo scorer convierte ambas ejecuciones en evaluación offline, sea cual sea el origen de los ejemplos.

3. La monitorización solo mide infraestructura, por lo que no admite groundedness sobre trazas de producción.

4. Evaluar antes de publicar elimina la necesidad de revisar la calidad después del despliegue.

Código / API · Selecciona una respuesta

Un agente personalizado debe llamar a un Genie Agent y mantener con él una conversación de varios turnos. ¿Qué integración es apropiada?

1. La Genie conversation API

2. Copiar todas las tablas al system prompt

3. Aplicar OCR al SQL warehouse

4. Un scorer BLEU

Código / API · Selecciona 2 respuestas

Un chatbot público devuelve actualmente la respuesta sin procesar: response = chain.invoke(request) return response ¿Qué DOS cambios implementan un guardrail de seguridad de salida? (Elige dos).

1. Guardar la respuesta insegura en el system prompt para el siguiente usuario

2. Evaluar response con un clasificador de toxicidad o seguridad antes de devolverla

3. Bloquear, redactar o sustituir respuestas que superen el umbral de riesgo configurado

4. Aumentar la temperatura cuando se detecte texto tóxico

5. Aplicar controles de seguridad únicamente a la entrada del usuario

Código / API · Selecciona una respuesta

Una chain LCEL actual está incompleta: prompt = PromptTemplate.from_template("Explica {topic} en una frase") chain = prompt | ______ | StrOutputParser() ¿Qué sustitución completa la secuencia ejecutable prompt → modelo → parser?

1. prompt.format(topic='RAG')

2. StrOutputParser()

3. AISearchClient()

4. ChatDatabricks(endpoint='support-llm')

Código / API · Selecciona una respuesta

Un notebook usa el SDK actual: from databricks.ai_search.client import AISearchClient client = AISearchClient() La fuente es una tabla Delta con una columna de texto y Databricks debe calcular embeddings y sincronizar el índice. ¿Qué método crea el tipo adecuado?

1. client.get_index(...)

2. client.create_delta_sync_index(...)

3. client.create_direct_access_index(...)

4. client.similarity_search(...)

Escenario · Selecciona una respuesta

Un catálogo cabe en ambos tipos de endpoint AI Search probados. Con la concurrencia prevista se mide (latencia p95, calidad): estándar ANN (70 ms, 0,91), estándar con reranking (160 ms, 0,96), optimizado para almacenamiento ANN (260 ms, 0,92). Se exige calidad ≥0,90 y p95 <100 ms. ¿Qué despliegue cumple?

1. Estándar con reranking: la calidad más alta prevalece sobre el requisito de latencia.

2. Optimizado para almacenamiento ANN: mayor capacidad máxima siempre significa menor latencia de consulta.

3. Estándar ANN: la calidad y latencia medidas cumplen los dos umbrales obligatorios.

4. Posponer el despliegue hasta ajustar embeddings, aunque la configuración estándar evaluada cumpla ambos umbrales.

Escenario · Selecciona una respuesta

Un pipeline debe promover un prompt aprobado de staging a producción sin copiar texto mutable al código y conservando rollback. ¿Qué mecanismo encaja?

1. Mantener un archivo sin versión y sobrescribirlo en cada despliegue.

2. Registrar versiones inmutables en MLflow y mover aliases de entorno solo tras evaluación y aprobación.

3. Guardar el prompt de producción únicamente en el directorio temporal del runner CI.

4. Sobrescribir una fila Delta y borrar el valor anterior.

Concepto · Selecciona una respuesta

La guía del examen de marzo de 2026 menciona Mosaic AI Vector Search, mientras que la documentación y la página actuales usan Databricks AI Search. ¿Cómo debe interpretar un ingeniero estos nombres?

1. Son el mismo producto de Databricks tras un cambio de nombre; los identificadores SQL y REST heredados aún pueden contener `vector-search`

2. AI Search es un producto sustituto independiente que obliga a migrar cada índice de Vector Search

3. Mosaic AI Vector Search es solo un algoritmo L2 genérico y AI Search es el servicio administrado

4. AI Search es el recurso endpoint y Vector Search siempre es un producto de índice separado

Código / API · Selecciona 2 respuestas

Una tabla Delta debe clasificarse mediante un endpoint personalizado cuya firma de entrada exige un campo estructurado llamado text de tipo string: SELECT review, ai_query( endpoint => ?, request => ? ) AS label FROM catalog.schema.reviews; ¿Qué DOS expresiones completan correctamente los huecos? (Elige dos).

1. 'review-classifier'

2. named_struct('text', review)

3. review

4. current_user()

5. vector_search(review)

Escenario · Selecciona una respuesta

Un agente necesita retrieval gobernado desde un índice AI Search existente con mínimo trabajo operacional. ¿Qué integración MCP es preferible?

1. Servidor propio que reimplemente AI Search

2. Extensión del navegador

3. Simulación solo con prompt

4. Servidor MCP administrado de AI Search

Escenario · Selecciona una respuesta

Un backend autenticado restringe bien la recuperación por empleado. Se añade una caché compartida cuya clave contiene solo la pregunta. Dos empleados tienen permisos documentales distintos. ¿Qué debe cambiar antes de activarla?

1. Mantener la clave común: una pregunta idéntica siempre implica acceso a la misma evidencia.

2. Aislar entradas por ámbito de autorización verificado y gestionar cambios de permisos, o desactivar la caché compartida de respuestas.

3. Comprobar permisos solo si no hay caché: toda respuesta generada por un empleado autorizado es reutilizable.

4. Quitar títulos documentales de la respuesta cacheada conservando el resto del contenido bajo la clave común.

Escenario · Selecciona una respuesta

Las trazas muestran que pasajes incendiarios e irrelevantes del índice llegan repetidamente al prompt y provocan respuestas ofensivas. ¿Cuál es la remediación directa aguas arriba?

1. Actualizar con más frecuencia el mismo corpus sin curar.

2. Mostrar un aviso de que pueden aparecer respuestas ofensivas.

3. Reducir usuarios dejando indexados los pasajes dañinos.

4. Revisar, eliminar, redactar o aislar esos pasajes antes de reconstruir el índice y ejecutar regresión.

Concepto · Selecciona una respuesta

¿Qué principio se aplica cuando la licencia de un dataset permite solo investigación pero el asistente previsto es un producto comercial de pago?

1. Utilizarlo porque la descarga pública implica permiso comercial

2. Eliminar el nombre del dataset y continuar

3. Hacer fine-tuning para que deje de aplicarse la licencia original

4. No utilizarlo comercialmente salvo que se obtenga una licencia compatible o permiso explícito

Escenario · Selecciona una respuesta

Una búsqueda incluye department='finance', enviado por el navegador. El empleado verificado solo pertenece a soporte y el índice contiene ambos departamentos. ¿Cómo construir el filtro de autorización en backend?

1. Confiar en el departamento solicitado porque el empleado ha completado el login.

2. Obtener el ámbito permitido de permisos confiables y rechazar o intersectar filtros incompatibles antes de recuperar.

3. Recuperar documentos de finanzas y pedir al modelo que revele solo frases no sensibles.

4. Aceptar el filtro si el empleado escribe una justificación de negocio convincente en el prompt.

Escenario · Selecciona una respuesta

Un agente de varios pasos elige a veces la tool incorrecta tras retrieval. Se necesitan llamadas ordenadas, argumentos, salidas, errores y tiempos de una solicitud fallida. ¿Qué debe activarse primero?

1. MLflow Tracing para el agente y sus componentes

2. Solo una puntuación final agregada sin spans de ejecución

3. Prints aislados que omiten llamadas internas del framework

4. Aplicaciones separadas para cada paso antes de inspeccionar la traza actual

Escenario · Selecciona una respuesta

Cuatro expertos interpretan de forma distinta «respuesta completa» y puntúan de manera inconsistente las mismas trazas. ¿Qué debe hacerse antes de tratar sus etiquetas como ground truth?

1. Sustituirlos inmediatamente por un juez LLM sin rúbrica.

2. Definir criterios observables, calibrar con ejemplos comunes, resolver desacuerdos sistemáticos y medir concordancia.

3. Promediar todo sin investigar la causa del desacuerdo.

4. Eliminar cualquier caso en el que discrepen.

Escenario · Selecciona una respuesta

Un endpoint de soporte tiene un SLO de latencia y un objetivo de calidad de respuesta. ¿Qué conjunto de métricas de producción es más útil?

1. Medir latencia p50 y p95, errores, throughput, tokens o coste, y calidad muestreada o feedback de usuarios.

2. Medir solo latencia media, sin colas, errores, volumen, coste ni ninguna señal sobre calidad de respuesta.

3. Medir loss de entrenamiento y número de parámetros aunque ninguno describa salud de serving ni calidad en producción.

4. Medir solo tamaño de documentos y tiempo de ingesta, al margen del endpoint y de las respuestas generadas.

Concepto · Selecciona una respuesta

Un gateway aplica 60 peticiones por minuto a un cliente. Este no supera la tasa, pero trabaja continuamente durante días. ¿Qué garantiza por sí solo ese control?

1. El gasto mensual acumulado del cliente nunca puede superar un presupuesto fijo en euros.

2. Se limita la admisión por unidad de tiempo; ese límite no impone por sí solo un tope de gasto acumulado.

3. Todas las respuestas admitidas contendrán menos tokens que cualquiera de las anteriores al límite.

4. El panel de consumo apaga automáticamente el servicio al alcanzar un umbral monetario definido por el usuario.