Amazon AIF-C01: MLOps e Implantação — 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.

Padrões de implantação e inferência: tempo real, em lote, sem servidor e na borda

A escolha de um padrão de inferência começa com as contrapartidas em nível de serviço de latência, throughput, custo e complexidade operacional. Para necessidades de baixa latência e alto throughput, endpoints em tempo real provisionados do Amazon SageMaker (endpoints de modelo único ou de múltiplos modelos) ou o SageMaker Real-Time Inference com escalonamento automático e instâncias de GPU são típicos; use variantes de endpoint para implementar implantações canário ou blue/green. Para grandes trabalhos offline onde a latência não é crítica, o SageMaker Batch Transform ou o processamento distribuído no AWS Glue/EMR é econômico e simples de escalar. Para cargas de trabalho imprevisíveis ou com baixo QPS, o SageMaker Serverless Inference ou a invocação de modelos a partir do AWS Lambda (com simultaneidade provisionada quando necessário) reduz a sobrecarga de gerenciamento e o custo. Implantações na borda exigem o empacotamento de modelos com o SageMaker Edge Manager e sua distribuição via AWS IoT Greengrass para dispositivos com conectividade intermitente e necessidades rigorosas de latência ou privacidade. Armadilhas comuns para profissionais incluem escolher endpoints em tempo real para tráfego esparso (levando a alto custo), não testar partidas a frio (cold starts) para implantações sem servidor e subestimar as necessidades de memória/GPU para endpoints de múltiplos modelos. As decisões devem ser guiadas por SLOs (latência p99, throughput), tamanho do modelo, padrões de simultaneidade e frequência esperada de atualizações; fazer o profiling com tráfego representativo é crucial antes de decidir por um padrão de hospedagem.

Registro de modelos, pipelines e CI/CD para entrega repetível

Um fluxo de trabalho de produção robusto usa o SageMaker Model Registry para versionar artefatos, capturar a linhagem do modelo e gerenciar fluxos de trabalho de aprovação, e o SageMaker Pipelines para compor etapas repetíveis de treinamento, validação e implantação. A integração do controle de origem baseado em Git com o AWS CodePipeline e o AWS CodeBuild permite o CI do código do modelo: testes unitários, verificações de esquema de dados e avaliação automatizada de modelos que controla a promoção para o registro. A automação da implantação deve implementar ambientes em estágios (dev → homologação → prod) e suportar rollbacks automáticos ou desvio de tráfego por meio de variantes de endpoint, implantações blue/green ou roteamento baseado em Lambda. Feature stores (SageMaker Feature Store) garantem a consistência entre treinamento e inferência, armazenando definições de features e timestamps. Armadilhas comuns incluem não registrar hiperparâmetros e versões de ambiente, não automatizar testes de validação (esquema de dados, limites de desempenho) e não ter artefatos imutáveis (armazene artefatos de modelo no S3 ou ECR). Use infraestrutura como código (CloudFormation ou CDK) para a configuração de endpoints, garanta a reprodutibilidade fixando bibliotecas e seeds, e planeje gatilhos de retreinamento (desvio de dados, agendamentos periódicos) integrados ao mesmo pipeline.

Monitoramento, Model Monitor e controles operacionais

O monitoramento operacional deve cobrir desvio de dados (data drift), desvio de conceito (concept drift), degradação de desempenho, latência e utilização de recursos. O Amazon SageMaker Model Monitor pode criar uma linha de base (baseline) das distribuições de treinamento e fazer o profiling contínuo do tráfego de inferência para detectar desvio de features, valores ausentes e alterações de esquema; quando dados de referência (ground truth) estão disponíveis, o Model Monitor também pode rastrear a qualidade da predição e o desvio do alvo (target drift). Instrumente o registro de logs de inferência para o Amazon S3 e o CloudWatch, e transmita os logs para o Amazon Kinesis ou o Amazon EventBridge para alertas em tempo real e gatilhos de pipeline automatizados. Evite erros comuns, como tratar cada alerta de desvio como um sinal para retreinamento — mudanças transitórias e sazonalidade podem causar falsos positivos — ou definir limites sem entender a variação natural. Para classes desbalanceadas, prefira precisão, recall e F1 em vez de acurácia para detectar degradação significativa. Implemente RBAC e criptografia (KMS) para artefatos de modelo, use endpoints de VPC e o AWS PrivateLink para acesso seguro aos serviços e capture trilhas de auditoria via AWS CloudTrail. Mantenha playbooks operacionais para remediação: valide pipelines de dados, compare o desempenho de coortes recentes e retreine, reverta (roll back) ou aplique calibração e correções de features.

• Principais métricas de avaliação e quando usá-las
  • Acurácia: correção geral; enganosa em dados desbalanceados
  • Precisão: correção das predições positivas; usar quando falsos positivos são custosos
  • Recall (Sensibilidade): capacidade de encontrar casos positivos; usar quando falsos negativos são custosos
  • Pontuação F1: média harmônica de precisão e recall; escolha balanceada para classes desbalanceadas
  • AUC-ROC: qualidade da classificação em diferentes limiares; útil para classificadores binários, independentemente do limiar

Explicabilidade, Model Cards e controles prontos para conformidade

A explicabilidade deve ser operacional, auditável e ajustada às necessidades das partes interessadas (stakeholders). O Amazon SageMaker Clarify fornece verificações de viés (bias) pré-treinamento, métricas de viés pós-treinamento e atribuições de características por predição via SHAP que podem ser produzidas em tempo de inferência ou em lotes (batches) offline. As explicações em tempo de execução (runtime) devem ser registradas junto com as predições e as impressões digitais (fingerprints) das entradas para fornecer rastreabilidade; armazene as explicações no S3 e indexe-as para recuperação. Os Model Cards documentam o uso pretendido, a proveniência dos dados, as métricas de avaliação em fatias (slices) relevantes, as limitações conhecidas e as ressalvas de desempenho; mantenha as versões dos Model Cards no Model Registry para atender à governança. Casos de uso financeiros e regulamentados exigem trilhas de auditoria determinísticas: preserve os artefatos do modelo, hiperparâmetros, dados de avaliação e logs de explicação; implemente portões de aprovação com intervenção humana (human-in-the-loop) para decisões de alto impacto e mantenha explicações contrafatuais para casos desafiadores. Para uma integração segura com modelos de base (foundation models) gerenciados, use endpoints de interface do AWS PrivateLink para chamar o Amazon Bedrock de dentro de uma VPC, criptografe os payloads com o KMS e aplique controles refinados de IAM e de rede. As escolhas de serviço para armazenamento de embeddings e busca vetorial dependem das necessidades de recuperação; compare as opções por desempenho e custo operacional:

• Amazon OpenSearch Service (k-NN): busca vetorial escalável com analytics integrado
• Amazon Kendra: busca semântica gerenciada com conectores integrados e recursos empresariais
• Amazon RDS (Postgres + pgvector): armazenamento vetorial transacional, mais simples para conjuntos de dados relacionais
• ANN personalizado no Amazon EKS ou ECS: flexibilidade máxima para NMSLIB/FAISS, mas com maior carga operacional (ops)

Problema Prático: Cenário de Caso de Uso

Cenário: A FinSight opera um pipeline de decisão de crédito na AWS usando o SageMaker para treinamento de modelos, o Bedrock para explicações generativas auxiliares e o Amazon S3 para os dados. Os modelos são implantados como endpoints em tempo real do SageMaker dentro de uma VPC, e o Model Monitor está habilitado para analisar o perfil das características de entrada.

Desafio: O Model Monitor sinalizou um desvio de características (feature drift) além dos limites, e as regulamentações de negócio exigem decisões auditáveis e explicáveis para quaisquer alterações automatizadas de limite de crédito.

Abordagem Recomendada:

1. Use os alertas do SageMaker Model Monitor para acionar uma regra do EventBridge que envia os dados de desvio para um fluxo de trabalho de retreinamento do SageMaker Pipelines e crie um snapshot da inferência atual e dos dados de entrada recentes em um bucket de quarentena no S3.
2. Execute um trabalho de validação automatizado no SageMaker Pipelines que compara as distribuições de dados recentes com a linha de base (baseline), calcula métricas de avaliação (precisão/recall/F1) e produz explicações SHAP por amostra com o SageMaker Clarify para um grupo representativo.
3. Se as verificações automatizadas passarem, registre o novo modelo no SageMaker Model Registry com um Model Card atualizado, capturando as fatias de desempenho e as explicações; use variantes de endpoint e desvio de tráfego (traffic shifting) para uma implantação em fases (staged rollout). Se as verificações falharem, crie um incidente na fila de operações (ops) e invoque uma etapa de revisão humana antes de qualquer implantação.
4. Para chamadas seguras ao Bedrock que geram explicações legíveis por humanos, roteie o tráfego do Bedrock via AWS PrivateLink e criptografe os payloads com o KMS; registre todas as saídas de explicação no S3 e vincule-as aos registros de inferência para fins de auditoria.

Justificativa: Esta abordagem combina detecção automatizada, validação reproduzível e implantação controlada (guarded deployment) com trilhas de auditoria e explicações por decisão — alinhando os controles operacionais com a transparência regulatória e minimizando ações falsas de retreinamento/reversão (rollback).

← Treinamento · Todos os domínios · Otimização de Custos e Precificação para AI →

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

Navegar Amazon →