IA e ML na AWS: Bedrock, SageMaker, Q e Amigos
- ⬜🚚 Migração: Migration Hub, DMS, MGN e DataSync(AWS Cloud Practitioner)
Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.
A AWS tem um zoológico de serviços de IA — e o CLF-C02 (versão 2024+) cobra que você saiba escolher entre eles. A regra de ouro: serviços prontos por domínio (imagem, voz, texto) resolvem 80% dos casos sem escrever modelo nenhum. SageMaker aparece quando você precisa treinar algo específico. Bedrock e Amazon Q são a aposta de GenAI. Entender essa camada evita que você use um canhão pra matar mosquito.
As 3 camadas de IA/ML na AWS
| Camada | Serviços | Quando usar |
|---|---|---|
| AI Services (prontos) | Rekognition · Comprehend · Polly · Transcribe · Translate · Lex · Kendra · Textract · Bedrock · Q | Você não tem ciência de dados — quer resolver problema de negócio com API pronta |
| ML Platform | Amazon SageMaker (Studio, Training, Endpoints, Pipelines, Canvas, JumpStart) | Precisa treinar modelo customizado com seus dados |
| ML Frameworks + Infra | EC2 GPU (p5, g6) · Deep Learning AMI · EKS + Karpenter · Trn1/Inf2 (Trainium/Inferentia) | Equipe de ML madura quer controle total |
- → texto extraído → entidade
- → autoriza
- IA e machine learning
- Armazenamento
- Segurança e identidade
A resposta certa é a camada mais ALTA que resolve o problema. Descer para SageMaker um problema que o Comprehend resolvia com uma chamada de API é o erro que a prova pune.
- Comece de cima e pare quando resolver. Se um serviço de IA pronto atende, ele ganha: nenhum modelo para treinar, nenhum prompt para ajustar, nenhum endpoint para manter. É o critério que a prova recompensa.
- Camada 3 é tarefa fechada. Extrair campo de documento, detectar sentimento, moderar imagem, transcrever áudio. Você chama a API e recebe a resposta. Sem treino, sem prompt.
- Camada 2 é linguagem aberta. Resumir, redigir, conversar, raciocinar. Bedrock dá acesso a foundation models sem gerenciar infraestrutura. Amazon Q é o assistente pronto em cima disso — para negócio e para código.
- Camada 1 é quando o modelo é seu. SageMaker para treinar com dado proprietário e servir modelo próprio. Muito mais poder, muito mais esforço. A questão que diz "sem equipe de ciência de dados" nunca aponta para cá.
- A base é a mesma nas três. Dado no S3, permissão no IAM. Independente da camada, é daqui que o dado vem e é o IAM que decide quem pode chamar.
Regra prática: comece de cima. Só desça uma camada se a anterior não atender.
Amazon SageMaker
Plataforma completa de ML gerenciada. Cobre do notebook ao endpoint de produção.
| Recurso | Para que serve |
|---|---|
| Studio | IDE Jupyter-based, o “VS Code do ML” |
| Autopilot | AutoML — encontra o melhor modelo sozinho |
| Canvas | AutoML no-code (para analistas, não engenheiros) |
| Ground Truth | Labeling de dados com humanos (público ou privado) |
| Feature Store | Banco de features compartilhado entre treino e inferência |
| JumpStart | Modelos pré-treinados e soluções prontas |
| Clarify | Detecta bias e explica decisões do modelo |
| Pipelines | MLOps (CI/CD para modelos) |
| Model Registry | Versionamento e aprovação de modelos |
Opções de deployment: Real-time Endpoint (ms de latência), Serverless Inference (paga por invocação), Async Inference (jobs longos, resultado em S3), Batch Transform (processamento em lote).
Amazon Bedrock
Serviço gerenciado para foundation models (LLMs, modelos de imagem). API única, sem gerenciar GPU. Modelos disponíveis:
- Anthropic Claude (Sonnet, Opus, Haiku)
- Meta Llama
- Amazon Titan (texto, embeddings, imagem)
- Mistral (Large, 7B, 8x7B)
- Cohere Command R
- Stability AI (imagem)
Recursos extras: Knowledge Bases (RAG gerenciado), Agents (tool calling), Guardrails (filtros de segurança), Model Evaluation, Fine-tuning e Provisioned Throughput.
Amazon Q
Assistente GenAI corporativo com duas variantes que caem no exame:
| Variante | Para quem | Exemplo |
|---|---|---|
| Amazon Q Business | Usuários de negócio | Chatbot sobre docs corporativos (SharePoint, Confluence, S3), conectores prontos |
| Amazon Q Developer | Desenvolvedores | Plugin IDE (VS Code/JetBrains) que escreve código, sugere correções, explica AWS |
Uma seguradora quer extrair valor, data e placa de 500 mil laudos de sinistro em PDF escaneado. O time não tem cientista de dados e precisa entregar em duas semanas. Qual solução o exame considera correta?
Serviços de domínio específico
| Serviço | Domínio | Caso de uso típico |
|---|---|---|
| Rekognition | Visão (imagem/vídeo) | Detectar rostos, objetos, texto em imagem, moderação de conteúdo, PPE detection |
| Textract | Documentos | Extrai texto + tabelas + formulários de PDFs/imagens (OCR estrutural) |
| Comprehend | NLP | Sentimento, entidades, tópicos, PII detection/redaction |
| Polly | Text-to-Speech | Gera áudio natural em 30+ vozes/idiomas |
| Transcribe | Speech-to-Text | Transcreve áudio com speaker diarization, timestamps, vocabulário custom |
| Translate | Tradução | Tradução neural em 75+ idiomas |
| Lex | Chatbot conversacional | Mesmo engine da Alexa — bots de voz/texto com intents |
| Kendra | Search empresarial | Busca NLU sobre SharePoint, S3, Salesforce, Confluence |
| Forecast | Séries temporais | Previsão de demanda, vendas, energia |
| Personalize | Recomendação | Sistema de recommendation estilo Amazon.com |
| Fraud Detector | Detecção de fraude | Score de risco para transações, sign-ups |
Decisão rápida
📋 Construir um chatbot que responde sobre docs internos
Q Business já integra conectores (SharePoint, Confluence, S3), search e GenAI em um produto só. Montar na mão exige Kendra + Bedrock + orquestração.
Alt: Kendra + Lex — mais tradicional, mais trabalho.
Alt: SageMaker com modelo próprio — só se precisa fine-tuning muito específico.
📋 App mobile que identifica pragas em plantas por foto
Rekognition Custom Labels permite treinar com 10-100 imagens por classe sem escrever código de ML. JumpStart tem modelos pré-treinados para vision.
Alt: SageMaker + ResNet custom — se já tem time de ML.
Alt: API Rekognition base — se for objeto comum, não precisa treino.
📋 Redigir PII automaticamente de logs e tickets antes de armazenar
Comprehend detecta e redige CPF, email, telefone, cartão nativamente. Sem treinar nada.
Alt: Macie — para PII em S3, escaneamento.
Alt: Regex caseiro — sempre deixa passar algo.
Perguntas típicas (Q&A)
❓ Qual a diferença entre Bedrock e SageMaker?
❓ Quando usar Kendra em vez de OpenSearch?
❓ Macie, Comprehend e Rekognition podem detectar PII?
Perguntas frequentes
❓ Qual serviço de IA usar para cada tarefa?
❓ Bedrock ou SageMaker?
❓ Preciso saber ciência de dados para usar IA na AWS?
Fixando
Qual é a diferença fundamental entre Amazon SageMaker e Amazon Bedrock?
Uma empresa quer um assistente interno que responda perguntas sobre os próprios manuais, que são atualizados toda semana. Qual abordagem?
Take-aways: SageMaker = plataforma · Bedrock = foundation models · Q = assistente corporativo · Rekognition = imagem · Textract = docs · Comprehend = texto · Polly/Transcribe = voz · Translate = tradução · Lex = chatbot · Kendra = search empresarial. Vá sempre pela camada mais alta que resolve o problema.
Terminou de ler?
Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.
Próximos passos sugeridos
Temas deste módulo
Discussão
Carregando comentários…