Amazon AIF-C01: Serviços AWS de AI/ML — Guia de estudos

By Laurynas Brazys · 30 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

Faz parte do AWS AI Practitioner AIF-C01 — Guia de estudos. Pratique com respostas verificadas no centro de exames da Amazon, ou faça testes cronometrados no ExamRoll.io.

Modelos de fundação, Amazon Bedrock e padrões de inferência

Modelos de fundação (foundation models) hospedados através do Amazon Bedrock oferecem um caminho rápido para capacidades generativas, usando múltiplas famílias de modelos, incluindo opções de alta vazão (high-throughput) e ajustadas por instrução (instruction-tuned), como Q e Nova. Escolha entre aprendizado no contexto (in-context learning) e personalização: prompts de poucas amostras (few-shot) são baratos para iterar, mas sensíveis à injeção de prompt (prompt injection) e instáveis a mudanças de distribuição (distribution shifts); o ajuste fino com eficiência de parâmetros (parameter-efficient fine-tuning) ou a personalização completa reduzem o custo e a latência por inferência, ao custo da governança de dados e da complexidade do retreinamento. O custo e a latência da inferência são determinados principalmente pelo tamanho do modelo e pelo número de tokens de entrada e saída processados. Portanto, elabore prompts concisos, armazene em cache as respostas frequentes e prefira modelos menores e especializados para endpoints de alto volume. Armadilhas comuns para profissionais incluem tratar as saídas de LLMs como autoritativas sem embasamento (grounding), falhar em controlar dados sensíveis inseridos nos prompts e não instrumentar os templates e versões de prompts. Os critérios de decisão devem ponderar latência, custo por token, privacidade e propriedade do modelo: use a conectividade privada e a criptografia do KMS do Bedrock quando restrições regulatórias exigirem isolamento de dados, ou escolha modelos hospedados no SageMaker quando precisar de controle total sobre os artefatos de treinamento e ferramentas de explicabilidade. Implemente a sanitização de entradas, instruções em nível de sistema que sejam imutáveis e verificações de segurança em camadas para reduzir ataques baseados em prompts e o vazamento de prompts de sistema.

SageMaker para treinamento, implantação e governança de modelos

O Amazon SageMaker continua sendo o principal caminho gerenciado quando são necessários controle total do treinamento, explicabilidade e MLOps de nível de produção. Use o SageMaker Training e instâncias de treinamento distribuído para grandes conjuntos de dados, o SageMaker Studio para desenvolvimento de ponta a ponta e o Model Registry para versionamento. Para previsão de séries temporais em muitos SKUs relacionados, o SageMaker DeepAR fornece previsões probabilísticas e funciona melhor quando você tem muitas séries e covariáveis semelhantes. O SageMaker Clarify ajuda a detectar viés (bias) e a calcular métricas de justiça (fairness), enquanto o SageMaker Model Monitor acompanha o desvio de dados (data drift) e a qualidade das previsões em produção. Armadilhas comuns incluem deixar notebooks do Studio com permissões amplas no S3, subdimensionar os tipos de instância para treinamento distribuído e ignorar a procedência do conjunto de dados. Os critérios de decisão entre Bedrock e SageMaker geralmente giram em torno das necessidades de personalização, controles regulatórios e explicabilidade: escolha o Bedrock para prototipar rapidamente com FMs de alta qualidade e o SageMaker quando precisar de rastreamento em nível de feature, explicações SHAP, auditorias de viés ou ambientes de execução privados e sem internet usando endpoints de VPC e gateways de VPC do S3.

Estratégias de recuperação, ingestão multimodal e embasamento (grounding)

Saídas confiáveis e factuais exigem o embasamento de corpora não estruturados com a Geração Aumentada por Recuperação (Retrieval Augmented Generation). Faça a ingestão de documentos usando o Textract para formulários digitalizados e OCR, o Transcribe e o Polly para pipelines de fala, o Rekognition para análise de imagens e filtros de segurança, e o Comprehend para extração de entidades e detecção de PII. Armazene os embeddings vetoriais em um OpenSearch ou em um banco de dados vetorial especializado; use o Amazon Kendra quando precisar de busca semântica gerenciada com conectores avançados e ajuste de relevância. Arquitete chatbots com o Bedrock para geração e o Kendra ou um armazenamento de embeddings para recuperação, enquanto o Amazon Lex continua útil para roteamento de intenção (intent routing) e preenchimento de slots (slot filling) em fluxos determinísticos. Os Agents for Bedrock são úteis ao orquestrar o uso de ferramentas, APIs externas ou raciocínio em múltiplos passos, mas exigem credenciais robustas e verificadores de ferramentas para evitar ações inseguras. As armadilhas para profissionais incluem falhar em paginar grandes corpora, ignorar os impactos da latência de recuperação na experiência do usuário e não versionar o índice de recuperação; as decisões devem equilibrar o quão recentes são os dados (freshness), a cadência de atualização do índice e o custo do armazenamento de vetores em comparação com o risco de alucinação.

Segurança, privacidade, explicabilidade e avaliação

A segurança e a governança seguem um modelo de responsabilidade compartilhada: a AWS gerencia a infraestrutura do serviço, mas o cliente deve classificar os dados, gerenciar as IAM roles, criptografar dados com o KMS e controlar o acesso à rede por meio de VPC endpoints e do PrivateLink. Para workloads sensíveis ou regulamentadas, execute o SageMaker em uma VPC sem acesso à internet com S3 gateway endpoints e use as opções de rede privada do Bedrock. Implemente a redação automatizada de PII antes do treinamento usando o pré-processamento com Comprehend e Textract, e considere a privacidade diferencial ou a minimização de dados quando os datasets contiverem informações confidenciais. A explicabilidade e a detecção de viés exigem ferramentas como o SageMaker Clarify, explicadores SHAP e fluxos de trabalho de revisão humana via Amazon Augmented AI para casos extremos (edge cases). Monitore os modelos com métricas do Model Monitor, como feature drift, prediction drift e verificações de factualidade personalizadas para pipelines de RAG. Erros comuns são tratar a segurança de modelos prontos para uso (off-the-shelf) como suficiente, não registrar prompts e respostas para auditoria e não reter datasets de validação com acesso controlado; as decisões de governança devem incluir políticas de exclusão e etapas de resposta a incidentes para extração de modelo ou vazamento de dados.

Problema Prático: Cenário de Caso de Uso

Cenário: A Nimbus Retail opera lojas físicas globais e mantém dados de vendas e imagens de produtos no Amazon S3. Seu ambiente de IA na AWS inclui o SageMaker Studio, acesso ao Amazon Bedrock, Amazon Kendra, OpenSearch Service e Amazon QuickSight para BI.

Desafio: A Nimbus precisa de um assistente baseado em LLM para gerar descrições de produtos contextuais e traduções localizadas, garantindo ao mesmo tempo a precisão factual, protegendo dados confidenciais de clientes e fornecedores e produzindo gráficos semanais dos mais vendidos para os gerentes das lojas.

Abordagem Recomendada:

1. Use o Amazon Textract para extrair quaisquer atributos estruturados de documentos de produtos e o Rekognition para validar e etiquetar imagens de produtos, armazenando os ativos limpos em um bucket S3 criptografado com KMS e IAM roles restritas.
2. Crie um índice de embeddings no OpenSearch ou em um vector store gerenciado, populado por embeddings de um codificador (encoder) do Bedrock; use o Kendra para recuperação semântica de documentos de políticas e especificações.
3. Implemente um pipeline de RAG: use o Bedrock para geração com contexto de recuperação (retrieval), aplique um filtro de factualidade usando o Comprehend e consultas de verificação personalizadas no corpus indexado, e registre todos os prompts e respostas no CloudTrail e em um bucket S3 de auditoria.
4. Produza gráficos semanais com o Amazon QuickSight alimentado por vendas agregadas de consultas do Athena sobre o data lake no S3, e exponha as descrições geradas pelo modelo em um endpoint do SageMaker para consumo da UX, com revisão humana via A2I para edições de alto impacto.

Justificativa: Essa abordagem fundamenta os resultados generativos com recuperação e verificação de documentos para reduzir alucinações, protege os dados em um S3 criptografado com acesso de privilégio mínimo e separa as responsabilidades usando serviços gerenciados para indexação, geração e BI, a fim de equilibrar velocidade, governança e precisão.

← Conceitos de IA Generativa · Todos os domínios · IA Responsável e Governança →

Pratique estas questões → · Prática cronometrada no ExamRoll.io →

Navegar Amazon →