AI / ML / DL / GenAI — distinções fundamentais
- ⬜🤖 AIF-C01 — Visão geral e blueprint do exame(AWS AI Practitioner (AIF-C01))
Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.
IA, machine learning, deep learning e IA generativa são quatro coisas em relação de contenção, não quatro sinônimos da moda. O exame cobra essa distinção de forma quase literal — há questões cuja resposta certa depende só de você saber que toda IA generativa é deep learning, mas nem todo deep learning é generativo.
Este módulo cobre o vocabulário do Domínio 1 e, no fim, a tabela de serviços de IA prontos da AWS. Essa tabela é a mais rentável da trilha inteira: ela responde sozinha as questões de correspondência, que são de acerto rápido e garantido.
As quatro camadas, do mais amplo ao mais específico
| Nível | Exemplo concreto | Aprende de dado? | Gera conteúdo novo? |
|---|---|---|---|
| IA (sem ML) | Motor de regras de aprovação de crédito escrito à mão | Não | Não |
| ML clássico | Regressão logística prevendo churn a partir de 12 colunas | Sim | Não |
| Deep learning | CNN que classifica se a radiografia tem fratura | Sim | Não |
| IA generativa | Claude no Bedrock redigindo o laudo da radiografia | Sim | Sim |
Erro clássico de prova: tratar "IA" e "ML" como intercambiáveis. Se a questão diz "solução de IA que não requer dado de treinamento", ela está apontando para sistema baseado em regra ou para serviço de IA pronto da AWS — não para ML.
Os tipos de aprendizado
São quatro na prática, e o quarto é o que o exame mais confunde — porque é como os foundation models são treinados, e as pessoas o chamam de "não supervisionado".
| Tipo | O dado tem rótulo? | O que aprende | Exemplo |
|---|---|---|---|
| Supervisionado | Sim, rótulo humano | Mapear entrada → rótulo conhecido | Classificar e-mail como spam; prever preço de imóvel |
| Não supervisionado | Não | Estrutura escondida nos dados | Segmentar clientes em grupos; detectar anomalia |
| Por reforço | Não, há recompensa | Política de ação que maximiza recompensa | Robô aprendendo a andar; RLHF alinhando um LLM |
| Auto-supervisionado | Rótulo derivado do próprio dado | Representação geral da linguagem ou imagem | LLM prevendo o próximo token de um texto cru |
Auto-supervisionado não é "sem rótulo" — é "rótulo de graça". Ao treinar um LLM para prever a próxima palavra, o rótulo é a palavra seguinte, que já estava no texto. Isso é o que permitiu escalar para trilhões de tokens sem exército de anotador, e é a resposta para "como o foundation model é pré-treinado?".
Dentro do supervisionado, a distinção que aparece em prova é classificação versus regressão: classificação prevê categoria (spam / não spam, fraude / legítimo), regressão prevê número contínuo (preço, demanda, tempo). Se a pergunta pede "prever quantos", é regressão; "prever qual", é classificação.
Um time quer agrupar 2 milhões de clientes em perfis de comportamento, sem ter ideia de quantos perfis existem nem rótulo nenhum. Que tipo de aprendizado é esse?
O vocabulário que a prova usa sem explicar
| Erro de validação BAIXO | Erro de validação ALTO | |
|---|---|---|
| Erro de treino BAIXO | Modelo saudável — é o que se quer | Overfitting — decorou, não generalizou |
| Erro de treino ALTO | Situação anômala: revise vazamento ou split | Underfitting — capacidade ou feature insuficiente |
| Problema | Sintoma | Como corrigir |
|---|---|---|
| Overfitting | Ótimo no treino, ruim em produção | Mais dado, regularização, modelo mais simples, early stopping, data augmentation |
| Underfitting | Ruim no treino e em produção | Modelo com mais capacidade, melhores features, treinar por mais épocas |
| Vazamento de dado | Métrica boa demais para ser verdade | Garantir que nada do futuro (ou do teste) entrou nas features de treino |
Vazamento de dado (data leakage) é o defeito mais caro porque ele se disfarça de sucesso. Se uma feature contém informação que só existiria depois do evento previsto — por exemplo, usar "valor do estorno" para prever fraude — a métrica de validação fica excelente e o modelo desmorona em produção. Métrica muito acima do esperado é motivo de desconfiança, não de comemoração.
O ciclo de vida de ML — o favorito das questões de ordenação
A AIF-C01 tem questões que pedem para ordenar etapas. O ciclo de vida de ML é o alvo mais provável, e a lógica que decide a ordem é dependência de insumo: nenhuma etapa pode começar antes de a anterior produzir o que ela consome.
O passo 8 fecha um laço, não termina uma linha. Modelo em produção degrada porque o mundo muda (data drift) ou porque a relação entre entrada e resposta muda (concept drift). É por isso que "monitorar" é etapa de engenharia, não de observação passiva — assunto do módulo mlops-monitoramento.
Uma pegadinha recorrente: perguntar qual etapa consome mais tempo num projeto real. A resposta esperada é preparação de dado, não treinamento. Treinar é a parte que a GPU faz sozinha.
Quando ML NÃO é a resposta
O exame tem questões cuja alternativa correta é não usar ML. Elas existem porque o erro é comum e caro no mercado.
📋 Regra de negócio: "aprovar pedido se valor < R$ 500 e cliente sem inadimplência". Modelar com ML?
A regra é conhecida, estável, auditável e exata. ML introduziria erro onde havia certeza, custo de treino e retreino, e uma decisão que você não consegue explicar ao auditor. ML serve quando a regra é desconhecida ou complexa demais para ser escrita — não quando ela está no contrato.
Alt: Treinar um classificador com o histórico de aprovações — Aprende a reproduzir a regra com erro. Você troca 100% de acurácia garantida por ~98% e ganha um pipeline de ML para manter.
Alt: Usar um foundation model para julgar cada pedido — Custo por requisição, latência, não determinismo e nenhuma auditabilidade — para uma comparação numérica.
- A regra é conhecida e estável → escreva a regra.
- Você precisa de resposta exata e idêntica sempre → determinismo, não modelo.
- Não há dado histórico suficiente e representativo → não há o que aprender.
- O custo de um erro é inaceitável e não há revisão humana → repense o desenho antes do modelo.
- Você não consegue definir a métrica de sucesso → o projeto ainda não existe.
Os serviços de IA prontos da AWS — a tabela que se paga
Estes são serviços de camada 3: API treinada pela AWS, sem modelo para você gerenciar. Em questão de correspondência, é ligar caso de uso a serviço. Decore por tipo de dado de entrada — é assim que a prova agrupa.
- → texto extraído → entidade
- → transcrição → sentimento
- → baixa confiança → humano
- → moderação duvidosa → humano
- → resposta → voz
- IA e machine learning
Nenhum destes serviços é foundation model, e nenhum precisa de prompt. Quando a questão descreve tarefa fechada sobre dado estruturado ou mídia, a resposta quase nunca é Bedrock — é um destes.
- Entrada define o serviço. A prova agrupa por tipo de dado. Documento escaneado é Textract; áudio é Transcribe; imagem é Rekognition. Errar isso é errar por desatenção, não por falta de estudo.
- Eles se encadeiam. O padrão mais cobrado: Textract extrai o texto, Comprehend interpreta. Ou Transcribe transcreve a ligação, Comprehend mede o sentimento do atendimento.
- A2I é a rede de segurança. Quando a confiança da predição cai abaixo de um limite, A2I roteia para revisão humana. É a resposta certa sempre que a questão mencionar "human in the loop".
- Lex + Polly fecham o ciclo de voz. Lex entende intenção e mantém o diálogo; Polly devolve em áudio. É o par de bot telefônico antes de foundation model entrar na história.
- Dois deles não funcionam no primeiro dia. Personalize e Fraud Detector aprendem do SEU histórico: sem interação ou sem fraude rotulada acumulada, eles não têm o que prever. Os outros respondem na primeira chamada, com o modelo já treinado pela AWS. Quando a questão descreve produto recém-lançado sem histórico, recomendação personalizada é a alternativa errada.
| Preciso de… | Serviço | Por que não foundation model |
|---|---|---|
| Extrair campo de nota fiscal digitalizada | Textract | Extração determinística com estrutura; muito mais barato e reproduzível |
| Detectar PII em log antes de arquivar | Comprehend (PII) | Tarefa fechada e auditável, com API dedicada |
| Moderar imagem enviada por usuário | Rekognition | Classificação treinada para isso, com categoria padronizada |
| Legendar 5.000 horas de gravação de call center | Transcribe | Custo por minuto de áudio, não por token |
| Recomendar produto na home | Personalize | Modelo de recomendação com sinal de comportamento, não de linguagem |
| Resumir e redigir resposta em linguagem livre | Bedrock (FM) | Aqui sim: a tarefa é aberta e linguística |
Uma operadora quer medir a satisfação em 40 mil ligações gravadas por mês e sinalizar as que tiveram cliente irritado. Qual combinação o exame considera de menor esforço operacional?
Qual afirmação sobre parâmetros e hiperparâmetros é correta?
Próximo passo
Em aif-sagemaker-overview a gente desce à camada 1 e separa o que é SageMaker Studio, Canvas, JumpStart e AI services — e por que confundir esses quatro é o erro mais comum do Domínio 1.
Perguntas frequentes
❓ Qual a diferença entre IA, machine learning, deep learning e IA generativa?
❓ Aprendizado supervisionado, não supervisionado e por reforço: como diferenciar na prova?
❓ Quando um problema NÃO é caso de aprendizado de máquina?
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…