Prepararse para una certificación técnica debería ser sencillo. No lo es.
Empecé con la documentación oficial. Se hizo tedioso rápido. Después busqué simuladores online para medir mi nivel, pero ninguno me decía qué temas reforzar — solo si pasaba o fallaba. No había forma de saber cuándo estaba realmente listo para rendir el examen.
Decidí construir lo que necesitaba.
El problema que ningún simulador resolvía
No buscaba más preguntas de opción múltiple. Buscaba un sistema que analizara mis errores, entregara feedback específico por tema, y me dijera con datos cuándo estaba preparado para el examen real. Flexible también — poder elegir cuántas preguntas hacer en cada sesión según el tiempo disponible.
La decisión de construirlo yo mismo no fue solo práctica. Me pareció entretenido, y mataba dos pájaros de un tiro: aprendía a trabajar con IA mientras la usaba para estudiar.
Corriendo la IA en mi propio servidor
La pregunta central era dónde correr la IA. Pagar por una API externa era la opción obvia. La descarté.
Construí dos agentes que corren en mi propio servidor con GPU: uno genera las preguntas y otro las valida antes de que entren al pool definitivo.
El validador le asigna un score de 0 a 1 a cada pregunta. Si no llega a 0.7, la pregunta va a una cola de revisión manual — no se descarta silenciosamente, no bloquea el pipeline. Va a una bandeja donde la reviso como administrador.
Esa decisión revela cómo pienso los sistemas con IA: el LLM es no-determinístico por naturaleza. Diseñar asumiendo que siempre funciona es el error. El sistema correcto acepta el fallo como parte del flujo y lo gestiona explícitamente.
Tres decisiones que quedaron en el código
Construir un sistema de estudio sin pensar en comportamiento humano es construir solo la mitad. Investigué metodología de gamificación y estudios sobre retención para este tipo de exámenes.
Las sesiones de práctica no acumulan XP ni afectan el readiness score. El schema tiene un campo mode que separa formalmente práctica de examen real. No quería que alguien pudiera subir su score haciendo sesiones cortas indefinidamente. Las métricas tienen que reflejar preparación real.
El readiness score es adaptativo. Combina promedio de exámenes, retención de flashcards y cobertura por dominio. Si un usuario no tiene datos de flashcards todavía, los pesos se renormalizan para que el score siga siendo útil desde el primer día.
El streak nunca resetea a cero. Cuando retomas el estudio después de un break, el contador arranca en 1. Un comentario en la documentación lo resume: “racha como motivación, no como deuda”.
El pipeline funcionó de extremo a extremo
El momento fue específico: cuando inicié sesión con mi usuario, contesté mi primer examen generado por IA, y verifiqué que las preguntas eran técnicamente correctas. El pipeline de generación y validación había funcionado de extremo a extremo. Nada había pasado sin control de calidad.
Entré a aprender IA y terminé leyendo sobre psicología del aprendizaje
El sistema de XP, el readiness score adaptativo, la decisión de no penalizar los breaks — todo eso viene de entender cómo aprende una persona bajo presión de certificación, no de lo que era más fácil de implementar.
La IA corre en mi servidor. El criterio de diseño viene de entender el problema humano primero.