Amazon MLA-C01: Visão Computacional, NLP e ML Especializado — Guia de estudos

By Laurynas Brazys · 3 August 2026 · #amazon #mla-c01 #certification #exam-prep #study-guide

Faz parte do AWS Machine Learning Engineer Associate MLA-C01 — Guia de estudos. Pratique com respostas verificadas no centro de exames da Amazon, ou faça testes cronometrados no ExamRoll.io.

Conceito principal

Soluções de visão computacional e NLP na AWS dependem de três camadas de preocupações: ingestão e segurança de dados, preparação de features e rótulos, e ciclo de vida do modelo (treinamento, registro, implantação, monitoramento). Para classificação de imagens e detecção de objetos, os workflows de treinamento se concentram no armazenamento de ativos rotulados no Amazon S3 com criptografia e controles de rede rigorosos, formatos de anotação como Pascal VOC / COCO para detecção de objetos e RecordIO ou TFRecord para treinamento de alta performance. Para classificação de texto e reconhecimento de entidade nomeada (NER), as entradas são comumente sequências tokenizadas (WordPiece/BPE para modelos transformer) ou JSON delimitado por linha com rótulos; o pré-processamento deve preservar os deslocamentos de token para caractere ao usar saídas do Rekognition Textract ou trechos rotulados por humanos para que o alinhamento dos rótulos de NER seja consistente. A engenharia de features para modelos de fraude tabulares foca na agregação em janelas de tempo, redução da cardinalidade de categorias e codificação consistente entre treinamento e serviço; o uso de uma transformação centralizada (fluxo do Feature Store ou Data Wrangler) evita o desvio (skew) entre o treinamento off-line e a inferência on-line.

As escolhas de construção de modelos correspondem a serviços especializados da AWS: o Amazon SageMaker oferece algoritmos integrados (XGBoost, Linear Learner, Random Cut Forest) e contêineres gerenciados para frameworks (MXNet, TensorFlow, PyTorch), além do SageMaker Clarify para viés (bias) e explicabilidade. O Amazon Rekognition abrange APIs de imagem pré-construídas para rotulagem, detecção de rostos/celebridades e treinamento de rótulos personalizados via Rekognition Custom Labels quando uma baixa sobrecarga operacional é necessária. Para extração de texto e dados estruturados de documentos, o Amazon Textract fornece OCR e extração de formulários/tabelas; para tarefas no nível da linguagem, como sentimento, reconhecimento de entidades ou modelagem de tópicos, o Amazon Comprehend fornece APIs gerenciadas e o Comprehend Medical para NER clínico. É fundamental para a produção conectar essas peças em um pipeline consistente para que o pré-processamento, as entradas do modelo e o monitoramento sejam reproduzíveis e auditáveis.

Principais serviços e configurações

Os principais serviços da AWS e parâmetros de API/configuração relevantes a serem conhecidos são Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry), SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep), SageMaker Model Monitor e Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config), Amazon Rekognition, Amazon Comprehend, Amazon Textract, AWS Glue e Lake Formation. Para armazenamento seguro e isolado, configure o S3 com criptografia do lado do servidor usando SSE-KMS (S3.PutBucketEncryption com SSEKMSKeyId), anexe políticas de bucket que limitem o acesso à execution role do SageMaker e habilite um endpoint VPC de gateway para o S3 para transferências em rede privada. Ao iniciar jobs de treinamento, defina o parâmetro VpcConfig (SecurityGroupIds e Subnets) em CreateTrainingJob para que as instâncias sejam executadas na VPC do cliente e habilite NetworkIsolation e InstanceMetadataServiceConfiguration para limitar o acesso.

Para gerenciar modelos centralmente com sobrecarga operacional mínima, use o SageMaker Model Registry criando um ModelPackageGroup e adicionando versões de ModelPackage com ModelApprovalStatus definido como ‘PendingManualApproval’ via CreateModelPackage. Automatize um portão de aprovação manual adicionando um CallbackStep ou um passo dedicado de “ManualApproval” no SageMaker Pipelines; o pipeline aguarda um sinal externo, e você então chama UpdateModelPackage para definir ModelApprovalStatus=‘Approved’ para a implantação. Para avaliações sob demanda de viés (bias) ou desvio (drift) de endpoints em tempo real implantados, use o SageMaker Clarify para métricas de viés e o SageMaker Model Monitor para desvio de dados e predições: capture os payloads de inferência habilitando DataCaptureConfig em CreateEndpoint (EnableCapture, CaptureOptions, DestinationS3Uri) e, em seguida, inicie um job de processamento do Clarify via CreateProcessingJob com os parâmetros do SDK do Clarify DataConfig, ModelConfig e bias_config para calcular as métricas de desvio imediatamente.

Os serviços relevantes incluem:

Amazon SageMaker (TrainingJob, CreateModelPackage, UpdateModelPackage, CreateProcessingJob, CreateMonitoringSchedule)
SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep)
SageMaker Clarify (DataConfig, ModelConfig, bias_config, explainability_config)
Amazon Rekognition (StartProjectVersion, DetectLabels, CreateProjectVersion)
Amazon Comprehend (DetectEntities, StartEntitiesDetectionJob)
Amazon Textract (StartDocumentTextDetection, AnalyzeDocument)
AWS Glue e AWS Lake Formation (Crawlers, Jobs, Data Catalog)
Amazon Lookout for Metrics e Amazon QuickSight para visualização de anomalias

Padrões de design e trade-offs

Para classificação tabular, como detecção de fraudes, o padrão de design prático é centralizar as fontes de dados brutos em um data lake seguro no S3 usando o AWS Glue ou o DMS para tabelas relacionais, catalogá-las no Glue Data Catalog e aplicar o acesso via Lake Formation. As transformações são expressas uma única vez em fluxos do SageMaker Data Wrangler ou como jobs de ETL do Glue e persistidas no SageMaker Feature Store, para que as mesmas transformações sejam executadas no treinamento e na inferência. A escolha do Feature Store adiciona etapas operacionais iniciais, mas reduz o desvio (skew) e o tempo de depuração; transformações diretas no job têm uma sobrecarga inicial menor, mas dificultam a reprodutibilidade e a computação de features online. Para algoritmos de treinamento, o XGBoost (contêiner fornecido pelo SageMaker) é um padrão inicial forte para detecção de fraudes devido ao seu desempenho com dados tabulares e suporte para colunas de peso; configure os hiperparâmetros usando HyperParameters em CreateTrainingJob e passe uma coluna de peso ou defina scale_pos_weight para combater o desbalanceamento de classes, o que evita pipelines de reamostragem mais complexos.

Para visão computacional, se você precisa de iteração rápida e os dados rotulados são limitados, o Rekognition Custom Labels oferece o caminho mais rápido com o mínimo de operações; para controle máximo e arquiteturas personalizadas, use o treinamento do SageMaker com MXNet/PyTorch e armazene os conjuntos de dados em formato RecordIO ou ImageFolder no S3. Para detecção de objetos, prefira treinar com frameworks que geram o formato COCO e utilize o treinamento distribuído do SageMaker especificando InstanceType=ml.p3.2xlarge ou superior e definindo a configuração MPI ou horovod no AlgorithmSpecification e no TrainingInputMode do TrainingJob. Os trade-offs incluem a vazão (throughput) versus o custo: jobs em lote (batch) usando instâncias spot gerenciadas reduzem o custo, mas adicionam latência/risco de terminação; o cache de pipeline no SageMaker Pipelines reduz a inicialização repetida de etapas quando as entradas não são alteradas, o que minimiza o tempo de início de computação desnecessário.

Armadilhas comuns e critérios de decisão

Uma armadilha frequente é a falha em centralizar os artefatos de pré-processamento. Se a tokenização, o mapeamento de rótulos para NER ou os codificadores categóricos forem aplicados de forma diferente no treinamento e na inferência, você introduzirá erros de predição difíceis de rastrear. Use o Feature Store ou persista o artefato de pré-processamento (tokenizador, vocab.json, label_map) com o pacote do modelo no Model Registry para que o contêiner implantado recupere e aplique as transformações exatas. Outra falha comum é a captura insuficiente para monitoramento: sem habilitar o DataCaptureConfig no endpoint e um fluxo de trabalho adequado de rotulagem de dados de referência verdadeiros (ground-truth), o Model Monitor não consegue calcular métricas de desvio (drift) ou qualidade, e esclarecer quedas no F1 se torna um exercício de adivinhação. Para desbalanceamento de classes, a solução menos intensiva operacionalmente é usar a ponderação suportada pelo algoritmo (por exemplo, o hiperparâmetro scale_pos_weight do XGBoost ou fornecer uma coluna de pesos nos dados de treinamento) em vez de upsampling/downsampling cego, que pode introduzir viés de amostragem.

Problema Prático: Cenário de Caso de Uso

Empresa fictícia: MeridianPay. A MeridianPay precisa construir um pipeline de detecção de fraudes em tempo real que combine logs de transação no S3 e perfis de clientes em um banco de dados MySQL on-premise. Os requisitos incluem armazenamento seguro e isolado, um registro de modelos central com aprovação manual, latência mínima de inicialização entre execuções de treinamento consecutivas, detecção e visualização automatizadas de anomalias após a agregação, suporte para features categóricas e numéricas mistas com operações mínimas, tratamento de desbalanceamento de classes e um modelo de produção que possa ser monitorado sob demanda para desvio (drift) e viés (bias).

Agregar e proteger dados: use o AWS DMS para replicar continuamente tabelas do MySQL on-premise para uma landing zone criptografada no S3, execute crawlers do AWS Glue e registre as tabelas resultantes no AWS Glue Data Catalog. Imponha o acesso via AWS Lake Formation e políticas de bucket do S3; habilite um Gateway VPC Endpoint para o S3 e configure a execution role do SageMaker com o mínimo de privilégios no IAM. Use SSE-KMS no S3 com uma chave KMS gerenciada pelo cliente e defina BucketEncryption com o KmsMasterKeyId.
Transformar e armazenar features: crie transformações no SageMaker Data Wrangler ou em um job de ETL do Glue, persista as features derivadas no online store do Amazon SageMaker Feature Store para busca de baixa latência na inferência e no offline store para treinamento. Armazene os artefatos de tokenizador/codificador junto com os artefatos do modelo. Use as APIs de FeatureGroup para criar grupos de features e configure RecordIdentifierFeatureName e EventTimeFeatureName para garantir a correção point-in-time.
Treinar com sobrecarga operacional mínima: use o contêiner integrado do SageMaker XGBoost criando um CreateTrainingJob com a AlgorithmSpecification apontando para a URI do contêiner XGBoost, especifique a VpcConfig para executar na VPC, passe HyperParameters incluindo “objective”:“binary:logistic” e defina “scale_pos_weight” como a proporção de exemplos negativos para positivos para tratar o desbalanceamento de classes. Para reduzir a latência de inicialização repetida, implemente SageMaker Pipelines e habilite o cache para as etapas de preparação de dados para que execuções consecutivas do pipeline pulem as etapas inalteradas; use buscas persistentes no feature store em vez de reprocessar sempre que possível.
Registro de modelos e aprovação manual: registre os modelos treinados em um ModelPackageGroup via CreateModelPackage com ModelApprovalStatus=‘PendingManualApproval’. Integre um CallbackStep do SageMaker Pipelines que pausa após o RegisterModel; os revisores então chamam UpdateModelPackage para definir ModelApprovalStatus=‘Approved’. Use este pacote aprovado para as configurações de CreateModel e CreateEndpoint.
Detecção de anomalias e visualização: após a agregação, use o Amazon Lookout for Metrics para realizar a detecção automática de anomalias em agregados de transações de séries temporais e configure integrações com S3/Glue. Para visualização, conecte os resultados do Lookout e os dados em dashboards do QuickSight ou use notebooks do SageMaker Studio para visualizar o desvio (drift) de features. Para avaliação sob demanda de viés (bias)/desvio (drift) do modelo em endpoints implantados, habilite o DataCaptureConfig no CreateEndpoint e execute um job de processamento sob demanda do SageMaker Clarify (CreateProcessingJob) com DataConfig e ModelConfig apontando para os dados capturados; use o Model Monitor/CreateMonitoringSchedule para agendar verificações recorrentes e para acionar uma execução única com StartMonitoringSchedule.

Justificativa: esta abordagem centraliza dados e transformações, usa serviços gerenciados onde eles reduzem a carga operacional (Glue/DMS/Lookout/Comprehend/Textract para seus domínios), aproveita o SageMaker Model Registry e Pipelines para versionamento e aprovação manual com infraestrutura personalizada mínima, resolve o desbalanceamento de classes por meio de parâmetros do algoritmo para evitar reamostragem pesada, e fornece avaliações de viés (bias)/desvio (drift) tanto agendadas quanto sob demanda via Model Monitor e Clarify, mantendo os dados criptografados e isolados na rede.

← Otimização de Custos para Workloads de ML · Todos os domínios

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