Blog
A certificação de engenharia de ML na AWS: os quatro domínios com profundidade real em preparação de dados, treinamento no SageMaker, os quatro modos de inferência, pipelines, deriva de modelo e segurança. 13 módulos com cenário, decisão e armadilha de prova. Atenção ao calendário: a MLA-C02 substitui esta versão a partir de setembro de 2026.
O que a prova mede e por que é diferente da AIF-C01, os quatro domínios com seus pesos, e a sequência de perguntas que elimina alternativas antes de você lembrar de qualquer serviço.
Os quatro formatos que a prova cobra, por que Parquet muda a ordem de grandeza do custo de leitura, particionamento e o problema de muitos arquivos pequenos, e o mapa origem → serviço de ingestão.
As quatro formas de vazamento de dado e o sintoma de cada uma, por que separar antes de transformar, o critério entre Glue, EMR, Processing e Data Wrangler, e por que árvore não precisa de normalização.
Por que o mesmo atributo calculado duas vezes diverge, os armazenamentos online e offline, a viagem no tempo como correção de vazamento temporal, e os três casos em que o serviço não se paga.
A métrica como decisão de negócio disfarçada de escolha técnica, as três formas de tratar desbalanceamento, as três perguntas que o Clarify responde, e por que remover o atributo sensível não remove o viés.
Os quatro caminhos para ter um modelo na AWS em ordem de esforço, as quatro condições que justificam treinar, e a tabela que diagnostica sobreajuste e subajuste pela leitura das curvas.
Os três termos da conta de custo e por que o terceiro engana, capacidade pontual como maior alavanca e o checkpoint que a viabiliza, escolha de família de instância, e o que fazer quando a GPU fica em 12%.
As quatro estratégias de busca e quando cada uma compensa, parada antecipada olhando validação e não treino, e os quatro erros de avaliação — a começar por usar o teste para escolher configuração.
Tempo real, sem servidor, assíncrono e lote: o que cada um cobra, a armadilha de cada um, a diferença entre sem servidor e assíncrono, endpoint com vários modelos, e as estratégias de implantação gradual.
Por que procedência importa mais que automação, os cinco passos de um pipeline de ML, o estado de aprovação como fronteira entre automático e humano, e quando a orquestração passa do SageMaker para Step Functions.
As quatro derivas e o que cada uma exige, por que deriva de conceito não se detecta pela entrada, o que o Model Monitor observa e a linha de base que ele precisa, e os quatro gatilhos de retreinamento.
As três perguntas de segurança do domínio 4, por que colocar na VPC não elimina o tráfego público, as quatro peças de isolamento de rede, e o acesso negado que vem da política da chave e não da do bucket.
Os cinco padrões que a MLA-C01 reaproveita e a reação a cada um, a revisão dos quatro domínios em uma página, o que fazer nos últimos dias, e como decidir entre duas alternativas quase idênticas.