Amazon AIF-C01: Engenharia de Dados para ML — Guia de estudos
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.
Avaliação, implantação, monitoramento e gerenciamento do ciclo de vida
A avaliação deve ser explícita, usando métricas alinhadas aos objetivos de negócio: tarefas de regressão usam RMSE ou MAE, a classificação binária avalia precisão/recall/F1 e ROC AUC, e a sumarização usa variantes do ROUGE. Realize a validação e a validação cruzada durante a fase de avaliação e reserve um conjunto de teste cego (blind test set) para a aceitação final. Implante usando endpoints do Amazon SageMaker (inferência em tempo real ou serverless) ou o Amazon Bedrock para servir FMs gerenciados; otimize a latência selecionando modelos menores e destilados, habilitando endpoints multimodelo ou usando o SageMaker Serverless Inference para tráfego imprevisível. Monitore o desempenho e o desvio de dados (data drift) em produção com o Amazon SageMaker Model Monitor e configure alertas para a degradação de métricas; empregue implantações canary ou blue/green para limitar o risco. O controle de acesso para o uso do modelo é aplicado usando políticas de função do IAM, permissões em nível de recurso e isolamento de rede. As armadilhas para profissionais incluem a escolha da métrica errada (acurácia para classes desbalanceadas), ignorar o desvio de conceito (concept drift) e falhar em instrumentar os dados de treinamento e os logs de inferência para fins de auditoria. Use CI/CD para ML com o SageMaker Pipelines para padronizar a cadência de retreinamento, manter o versionamento de conjuntos de dados e modelos consistente e manter uma trilha de auditoria defensável para conformidade.
Problema Prático: Cenário de Caso de Uso
Cenário: A BrightCart, uma rede de supermercados online, está modernizando seu sistema de inventário on-premise para a AWS e deseja um chatbot de IA generativa que responda às perguntas dos clientes e retorne a localização do inventário em tempo real, protegendo os dados dos clientes e do inventário de acordo com as regras de conformidade. O ambiente de IA da AWS deles inclui o S3 para conjuntos de dados, o Amazon RDS para o inventário transacional, o SageMaker Studio para desenvolvimento, acesso ao Bedrock para foundation models e redes VPC.
Desafio: Construir um chatbot privado, de baixa latência e habilitado para RAG que recupere o inventário atual e evite a exposição de dados sensíveis ou o desencadeamento de alucinações.
Abordagem Recomendada:
- Provisione uma VPC privada e configure endpoints do AWS PrivateLink para o Bedrock e o SageMaker; armazene documentos canônicos de produtos e snapshots de inventário no S3 com criptografia do lado do servidor (KMS) e habilite o versionamento do S3.
- Calcule continuamente embeddings a partir dos documentos de produtos com um codificador do Bedrock ou um modelo do SageMaker em uma sub-rede privada, e armazene os vetores no Amazon OpenSearch Service com k-NN para recuperação rápida do vizinho mais próximo; mantenha o inventário em tempo real no Amazon RDS e forneça um conector seguro em tempo de execução para a recuperação.
- Implemente um pipeline de geração aumentada por recuperação (RAG) onde a aplicação primeiro consulta o OpenSearch para obter contexto, depois chama o Bedrock com um template de prompt de sistema que inclui o contexto recuperado e instruções explícitas de segurança; higienize as entradas do usuário por meio de validação de entrada e use o Amazon Comprehend para detectar PII e redigi-las antes da recuperação.
- Implante o chatbot atrás de um Application Load Balancer, sirva o FM via Bedrock com um API Gateway na VPC, habilite o registro de logs no CloudWatch com acesso restrito e monitore as respostas do modelo e o desvio (drift) com o SageMaker Model Monitor e auditorias humanas periódicas.
Justificativa: Esta abordagem usa um padrão RAG para minimizar a exposição de dados sensíveis, aproveita redes privadas e o KMS para conformidade, separa o inventário em tempo real do contexto do modelo para precisão e aplica monitoramento e verificações com intervenção humana (human-in-the-loop) para controlar alucinações e garantir a confiabilidade contínua.
← Segurança e Privacidade de IA · Todos os domínios · Treinamento →
Pratique estas questões → · Prática cronometrada no ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Passe no seu exame →