AWS Machine Learning Engineer: preparar e operar modelos

Objetivos e percurso

Preparação independente para o programa MLA-C02, atualmente em beta em inglês, com oito módulos mapeados para os quatro domínios oficiais. Aprende a preparar dados, evitar fuga de informação, controlar treino e experiências, avaliar RAG, escolher inferência, promover versões e operar modelos e agentes com segurança. Casos fictícios incluem perda de registos válidos, avaliação contaminada, interrupções Spot, pesquisa sem suporte, confusão entre shadow e A/B, timeout após efeito externo, rótulos atrasados e dependências em container isolado. Inclui fontes primárias, explicações por alternativa, progresso e avaliação interna de 32 decisões em 60 minutos. Não é um mock completo nem substitui experiência aplicada.

Para quem: Profissionais ML/MLOps, desenvolvimento, dados, APS e projetos que preparam e operam soluções ML e IA.

Pré-requisitos: Noções de AWS, IAM, dados, ML e pipelines; familiaridade com programação ajuda. Não exige recursos pagos para este percurso.

380 minutos de estudo estimados

• Prepara dados utilizáveis e deteta falhas antes de alimentar treino ou pesquisa.
• Mantém coerência entre treino e inferência e avalia dados realmente independentes.
• Controla critérios, versões e recursos antes de aumentar a complexidade do treino.
• Escolhe personalização e mede a cadeia de recuperação e geração.
• Escolhe o modo de serviço e limita exposição ao promover um modelo.
• Automatiza promoção e recuperação sem perder evidência do que foi executado.
• Distingue saúde da infraestrutura, mudança de dados e qualidade do resultado.
• Aplica permissões e isolamento adequados e prepara uma operação auditável.

Módulos

1. Ingestão, armazenamento e qualidade
2. Features, partições e fuga de informação
3. Treino, afinação e experiências reproduzíveis
4. Modelos fundacionais e qualidade de RAG
5. Inferência e mudança controlada
6. Pipelines, versões e estado dos agentes
7. Monitorização, drift e custo útil
8. Segurança e autonomia operacional

Continua a aprender

Dados e IA

• AWS Certified AI Practitioner
• AWS Certified Solutions Architect Associate
• Python
• SQL
• Suporte de aplicações em produção

Referências e versão

MLA-C02

• AWS Certified Machine Learning Engineer Associate transition and beta overview · 2026-10-01
• MLA-C02 exam guide · 2026-10-01
• MLA-C01 and MLA-C02 comparison · 2026-10-01
• MLA-C02 update announcement2026-07-14 · 2026-10-01
• MLA-C02 in-scope services · 2026-10-01
• Data Preparation for ML and AI · 2026-10-01
• ML Model and Foundation Model Development · 2026-10-01
• Deployment and Orchestration of ML and AI Workflows · 2026-10-01
• Operating Monitoring and Securing ML and AI Solutions · 2026-10-01
• SageMaker Feature Store · 2026-10-01
• SageMaker Pipelines · 2026-10-01
• SageMaker Model Registry · 2026-10-01
• SageMaker inference options · 2026-10-01
• SageMaker shadow variants · 2026-10-01
• SageMaker deployment guardrails · 2026-10-01
• SageMaker Model Monitor · 2026-10-01
• Model Monitor availability change · 2026-10-01
• SageMaker model quality monitoring · 2026-10-01
• SageMaker automatic model tuning · 2026-10-01
• SageMaker managed Spot training · 2026-10-01
• Managed MLflow on SageMaker · 2026-10-01
• AWS Glue Data Quality · 2026-10-01
• Amazon Bedrock Knowledge Bases · 2026-10-01
• Amazon Bedrock Guardrails · 2026-10-01
• Amazon Bedrock evaluations · 2026-10-01
• Amazon Bedrock data protection · 2026-10-01
• Amazon Bedrock Prompt management · 2026-10-01
• Amazon Bedrock model customization · 2026-10-01
• Amazon Bedrock IAM · 2026-10-01
• Amazon Bedrock AgentCore overview · 2026-10-01
• SageMaker production and shadow variants · 2026-10-01
• SageMaker shadow-test limits · 2026-10-01
• AWS MLOps splits and data leakage · 2026-10-01
• SageMaker training VPC access · 2026-10-01
• SageMaker network isolation · 2026-10-01
• SageMaker execution roles · 2026-10-01