ML/IA sob ótica de arquiteto: Bedrock, SageMaker, Comprehend
- ⬜🛡️ Segurança enterprise: GuardDuty, Detective, Security Hub(AWS Solutions Architect Professional (SAP-C03))
Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.
Stack ML/IA AWS por camada
Foundation Models (managed inference):
Bedrock (Claude, Llama, Titan, Mistral, Cohere)
Bedrock Agents (tool use managed)
Bedrock Knowledge Bases (RAG managed)
Bedrock Guardrails (safety policies)
Custom ML (build/train/deploy):
SageMaker Studio / Notebooks
SageMaker Training + HPO + Distributed
SageMaker Model Registry + Pipelines
SageMaker Endpoints + Serverless Inference
SageMaker Model Monitor (drift detection)
SageMaker Feature Store
High-level APIs (managed AI):
Comprehend (NLP: entities, sentiment, classification)
Textract (OCR estruturado, forms, tables)
Rekognition (vision: objects, faces, moderation)
Transcribe (speech-to-text)
Polly (text-to-speech)
Translate
Kendra (enterprise search)- → modelo barato → caro
- → modelo próprio
- → recupera contexto
- → filtra
- → métrica de token
- → chargeback
- → auditoria
- → tráfego privado
- Rede e entrega
- Compute
- IA e machine learning
- Analytics
- Gestão e governança
A diferença entre o SAA e o SAP neste tema: lá a pergunta é "qual serviço de IA"; aqui é "como isso escala para 12 squads com governança, chargeback e isolamento". A resposta começa no AI Gateway.
- O AI Gateway é a peça que falta em quase toda arquitetura. Uma camada própria entre a aplicação e o modelo: roteia por complexidade, aplica cota, registra token por chamador e permite trocar modelo sem tocar em N aplicações. Sem ele, cada time integra direto e ninguém sabe quem gastou o quê.
- Cascata de modelo é a maior alavanca de custo. Modelo pequeno classifica e resolve o caso simples; só o difícil escala para o modelo caro. O custo médio passa a ser o do barato mais a probabilidade de escalada — não o do caro.
- RAG é problema de recuperação, não de treino. O que falta ao modelo é acesso ao dado da empresa. Knowledge Bases com índice vetorial resolve, e o documento atualizado reindexado aparece na resposta seguinte. Fine-tune não faz isso.
- Isolamento é requisito, não detalhe. VPC endpoint mantém a inferência dentro da rede da AWS; o prompt não é usado para treinar modelo base. É o que destrava uso de FM em banco, saúde e setor público — e o SAP pergunta isso.
- Instrumente token desde o primeiro dia. A resposta do Bedrock traz a contagem real de tokens. Registrar isso com tag de squad e caso de uso desde o começo é o que permite chargeback depois — retroagir essa medição é muito mais difícil.
Onde isso entra no exame
O SAP não pede matemática de ML — pede a arquitetura ao redor dele. Onde o modelo é servido (endpoint real-time, batch transform, ou Bedrock gerenciado), como o dado chega sem sair da VPC (VPC endpoint), e quem paga o endpoint parado. Se a questão diz "uso esporádico e imprevisível", endpoint dedicado 24/7 é a alternativa errada.
Decisão típica de arquiteto
Pergunta frequente em SAP: "empresa quer chatbot pra atendimento ao cliente, com base de conhecimento de 10k docs PDF, orçamento limitado, go-live em 2 meses". Resposta correta = Bedrock + Knowledge Bases (RAG managed) + Guardrails (mask PII, topic denial). Errado: SageMaker + train custom LLM (meses, caro, sem ganho concreto). Managed vence quando requisito é padrão.
# Exemplo mínimo: Bedrock Knowledge Base + Claude via Converse API
import boto3
bedrock = boto3.client('bedrock-agent-runtime')
resp = bedrock.retrieve_and_generate(
input={'text': 'Qual a política de reembolso?'},
retrieveAndGenerateConfiguration={
'type': 'KNOWLEDGE_BASE',
'knowledgeBaseConfiguration': {
'knowledgeBaseId': 'KB-XYZ',
'modelArn': 'arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-3-5-sonnet-20241022-v2:0'
}
}
)
print(resp['output']['text'])
for cit in resp['citations']:
print('source:', cit['retrievedReferences'][0]['location'])Doze squads começaram a usar Bedrock direto de suas aplicações. Seis meses depois, ninguém sabe quem gastou o quê e trocar de modelo exigiria mexer em doze bases de código. Qual é a correção arquitetural?
Quando SageMaker é a resposta
Casos em que SageMaker ganha: modelo proprietário de fraud detection treinado em dados privados, forecasting com features customizadas, recomendação específica do negócio, LoRA fine-tuning de modelo base. SageMaker Pipelines + Model Registry + Endpoints compõem MLOps real (train → eval → register → deploy → monitor → retrain loop).
Regra pragmática pro SAP-C03: se o enunciado descreve caso padrão (chatbot, OCR de fatura, classificação de sentimento), vá de managed (Bedrock/Comprehend/Textract). Se descreve fine-tune, custom model, MLOps end-to-end, vá de SageMaker. Raro ser as duas respostas corretas — o enunciado pende pra uma.
Perguntas frequentes
❓ Como o arquiteto decide entre modelo gerenciado e modelo próprio?
❓ Onde a arquitetura de IA costuma falhar em revisão de conformidade?
❓ Como controlar custo de IA em escala organizacional?
Fixando
Uma arquitetura de IA processa 2 milhões de classificações simples e 40 mil análises complexas por dia. Qual padrão reduz mais o custo sem perder qualidade nas complexas?
Qual controle garante que o prompt enviado ao Bedrock não seja usado para treinar o modelo base nem chegue ao provedor do modelo?
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…