SageMaker — Studio, Canvas, JumpStart, AI Services
- ⬜🧠 AI / ML / DL / GenAI — distinções fundamentais(AWS AI Practitioner (AIF-C01))
Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.
SageMaker é a camada 1 da stack: a plataforma onde você constrói o modelo, em vez de consumir um pronto. O exame não pede que você treine nada — pede que você reconheça qual componente do SageMaker resolve qual etapa, e principalmente que você saiba quando não descer até aqui.
É também o serviço com mais subprodutos de nome parecido em toda a AWS. Studio, Canvas, JumpStart, Autopilot, Clarify, Ground Truth — a prova explora exatamente essa confusão. Este módulo separa os nomes por quem usa e em que etapa.
Antes de tudo: o nome mudou
A AWS reorganizou a marca SageMaker. Hoje Amazon SageMaker é o guarda-chuva de dados + IA, e a plataforma de ML que você conhecia virou Amazon SageMaker AI. É uma distinção real e vale entender, porque material antigo e material novo usam nomes diferentes para a mesma coisa.
| Nome atual | O que é | Antes se chamava |
|---|---|---|
| SageMaker AI | A plataforma de ML: treinar, ajustar, implantar, monitorar | Amazon SageMaker |
| SageMaker Unified Studio | Ambiente único para dado, analytics e IA | (novo) |
| SageMaker Lakehouse | Camada de dado unificando S3 e Redshift | (novo) |
| SageMaker Catalog / Governance | Catálogo e governança de dado e de modelo | baseado no DataZone |
Na prova, "SageMaker" quase sempre significa SageMaker AI — a plataforma de ML. Se uma alternativa falar de lakehouse ou de catálogo unificado, aí sim ela está no guarda-chuva novo. Confira a nomenclatura no exam guide vigente: a AWS revisa o blueprint depois de rebrand, mas nem sempre no mesmo ciclo.
O mapa dos componentes por etapa
A forma de não se perder é amarrar cada componente a uma etapa do ciclo de vida de ML que você já viu no módulo anterior. Nenhum componente aparece em duas etapas.
- → dado bruto
- → dado rotulado
- → features prontas
- → consome features
- → modelo base
- → melhor candidato
- → avalia viés
- → aprova com evidência
- → implanta versão aprovada
- → implanta para lote
- → captura de dado
- → dispara retreino
- → autoriza
- → documenta
- IA e machine learning
- Fora da AWS
- Gestão e governança
- Compute
- Integração de apps
- Armazenamento
- Segurança e identidade
Cada componente tem uma etapa só. Quando a questão descrever uma etapa, o nome certo é o desta coluna — e o erro mais comum é trocar Clarify (viés e explicação) por Model Monitor (deriva em produção).
- O dado entra e vira feature. Ground Truth rotula o que não tem rótulo; Data Wrangler limpa e transforma; Feature Store guarda o resultado versionado para o treino e para a inferência usarem a MESMA definição.
- Três portas de entrada para construir. Studio é a porta do cientista (código). Canvas é a do analista (sem código). JumpStart entrega modelo já treinado para partir dele. Autopilot testa combinações sozinho.
- Avaliar não é só medir acurácia. Clarify mede viés entre grupos e explica a predição com SHAP. Model Cards documenta uso pretendido e limitação. Isso é o Domínio 4 aparecendo dentro do Domínio 1.
- O Registry é o portão. Nada vai para produção sem versão aprovada no Model Registry. É o ponto de controle que separa experimento de release.
- Servir tem quatro formatos. Endpoint em tempo real, serverless, assíncrono ou Batch Transform. A escolha depende de latência, tamanho de payload e padrão de tráfego — tabela na próxima seção.
- E então o laço fecha. Model Monitor captura a entrada real do endpoint e compara com a baseline do treino. Ao detectar deriva, Pipelines dispara o retreino. Sem isso, o modelo apodrece em silêncio.
Studio, Canvas, JumpStart, Autopilot: os quatro que a prova troca
| Componente | Quem usa | Escreve código? | Para que serve |
|---|---|---|---|
| SageMaker Studio | Cientista / engenheiro de ML | Sim | IDE web integrada: notebook, treino, deploy, debug |
| SageMaker Canvas | Analista de negócio | Não | ML visual: aponta o dataset, escolhe a coluna a prever, gera modelo |
| SageMaker JumpStart | Ambos | Pouco | Hub de modelos pré-treinados e soluções prontas para implantar ou ajustar |
| SageMaker Autopilot | Ambos | Pouco | AutoML: testa algoritmos e hiperparâmetros e devolve o melhor, com explicação |
O eixo que separa os quatro é quanto do trabalho você delega. Canvas delega tudo, inclusive a decisão de algoritmo, e em troca cobra em controle. Studio não delega nada. JumpStart delega o pré-treino. Autopilot delega a busca.
Se a questão disser "usuário de negócio, sem experiência em ML, sem escrever código", é Canvas. Se disser "acelerar o início partindo de um modelo já treinado", é JumpStart. Se disser "testar automaticamente várias abordagens", é Autopilot. Esses três gatilhos verbais aparecem quase literalmente.
As quatro formas de servir inferência
Questão recorrente e de acerto fácil, porque a decisão é mecânica: olhe latência exigida, tamanho do payload e formato do tráfego.
| Opção | Latência | Tráfego ideal | Quando escolher |
|---|---|---|---|
| Real-time endpoint | ms, sustentada | Constante e previsível | API de produção com tráfego contínuo; você paga a instância ligada |
| Serverless inference | ms, com cold start | Intermitente ou imprevisível | Tráfego esporádico; sem instância parada custando |
| Asynchronous inference | Segundos a minutos | Payload grande, resposta não imediata | Entrada até a casa de GB, ou inferência longa; enfileira e notifica |
| Batch transform | Minutos a horas | Lote agendado | Pontuar um dataset inteiro; sem endpoint permanente |
📋 Preciso classificar 8 milhões de registros toda madrugada, e o resultado só é lido às 7h.
Não há requisito de latência por registro e não há tráfego durante o dia. Batch Transform sobe a computação, processa o arquivo inteiro, escreve no S3 e desliga — você paga só o tempo de processamento. Manter endpoint ligado 24h para uma janela de madrugada é desperdício puro, e é a alternativa errada mais tentadora.
Alt: Real-time endpoint — Instância ligada 24 horas para usar uma. Custo alto e nenhum ganho, porque ninguém consome em tempo real.
Alt: Serverless inference — Resolve o problema de instância parada, mas cobra por invocação — 8 milhões de chamadas individuais em vez de um job em lote.
Alt: Asynchronous inference — Foi feito para payload grande com resposta individual e demorada, não para varrer um dataset inteiro de uma vez.
from sagemaker.serverless import ServerlessInferenceConfig
from sagemaker.async_inference import AsyncInferenceConfig
# A prova cobra a ESCOLHA, e ela cabe em três perguntas: o pedido é individual
# ou um conjunto fechado? A resposta precisa ser imediata? O tráfego é contínuo?
# Tempo real — contínuo, milissegundos. Paga instância viva o tempo todo.
modelo.deploy(initial_instance_count=1, instance_type="ml.m5.large")
# Sem servidor — rajada com pausas longas. Custo zero parado; partida a frio.
modelo.deploy(serverless_inference_config=ServerlessInferenceConfig(
memory_size_in_mb=2048, max_concurrency=5))
# Assíncrono — carga grande e processamento longo por requisição. Fila interna.
modelo.deploy(initial_instance_count=1, instance_type="ml.m5.xlarge",
async_inference_config=AsyncInferenceConfig(output_path="s3://saida/"))
# Lote — volume fechado, sem urgência. Sobe, processa, morre.
modelo.transformer(instance_count=2, instance_type="ml.m5.large",
output_path="s3://previsoes/").transform("s3://entrada/")Uma analista de marketing, sem programar, quer prever quais clientes vão cancelar no próximo mês usando uma planilha de histórico. Qual ferramenta o exame indica?
Bedrock ou SageMaker? A decisão mais cobrada do exame
Esta é a fronteira entre a camada 2 e a camada 1, e ela aparece em várias questões disfarçada de cenário de negócio. O critério não é "qual é mais moderno" — é quanto controle sobre o modelo o problema realmente exige.
| Critério | Amazon Bedrock | SageMaker AI |
|---|---|---|
| O que você gerencia | Nada de infraestrutura; só a chamada | Instância, container, escala, artefato |
| Modelo | FM de terceiros e da AWS, via API única | Qualquer modelo: seu, open source ou do JumpStart |
| Como paga | Por token (ou throughput provisionado) | Por hora de instância de treino e de inferência |
| Tempo até o primeiro resultado | Minutos | Dias a semanas |
| Customização | Fine-tune e pré-treino continuado gerenciados | Controle total, inclusive arquitetura |
| Encaixe típico | Tarefa de linguagem, RAG, agent, resumo, redação | Predição tabular, visão custom, modelo proprietário |
📋 A empresa quer um assistente que responda dúvidas sobre os 40 mil documentos internos dela.
A tarefa é linguística e aberta, o dado é documento, e não há necessidade de modelo próprio — o que falta ao FM é acesso ao conteúdo da empresa, e isso é problema de recuperação, não de treinamento. Knowledge Bases resolve com RAG gerenciado. Zero infraestrutura, cobrança por uso.
Alt: Fine-tune de um modelo no SageMaker com os 40 mil documentos — Fine-tune ensina forma e estilo, não injeta fato recuperável. O documento muda amanhã e o modelo continua com a versão de hoje — e retreinar a cada atualização é insustentável.
Alt: Treinar um modelo de linguagem próprio — Custo de milhões, meses de trabalho e um resultado pior do que um FM pronto. Fora de cogitação para este problema.
Alt: Colocar os 40 mil documentos no prompt — Estoura qualquer janela de contexto, e mesmo que caibam, o custo por pergunta seria absurdo. RAG existe justamente para recuperar só o trecho relevante.
Regra que resolve a maioria das questões dessa fronteira: se o problema é sobre **linguagem**, comece em Bedrock. Se o problema é sobre **números e colunas** ou exige o modelo como artefato seu, é SageMaker. Se o problema é uma tarefa fechada e conhecida (OCR, sentimento, moderação), não é nenhum dos dois — é serviço de IA pronto.
Os três componentes que o Domínio 4 e o 5 vão cobrar
Vale fixar agora, porque eles voltam mais adiante e a prova gosta de citá-los fora do contexto de SageMaker.
Clarify e Model Monitor são o par que a prova mais troca. Clarify age no ciclo de desenvolvimento (viés e explicação, antes do deploy). Model Monitor age em produção (deriva, depois do deploy). Se o enunciado disser "em produção" ou "ao longo do tempo", é Model Monitor.
Perguntas frequentes
❓ SageMaker ou Bedrock: qual usar?
❓ Para que serve o Canvas se existe o Studio?
❓ O que o JumpStart resolve?
Fixando
Um modelo de aprovação de crédito está em produção há 8 meses e a acurácia caiu de 91% para 78%. O time quer detectar isso automaticamente daqui pra frente. Qual componente?
Qual cenário justifica escolher SageMaker AI em vez de Amazon Bedrock?
Próximo passo
Encerrado o Domínio 1. Em aif-genai-conceitos começa o Domínio 2 (24%): transformer, token, embedding, janela de contexto e por que o modelo alucina — os fundamentos que fazem o Domínio 3 parar de ser decoreba.
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…