O AWS Certified Machine Learning Engineer - Associate (MLA-C01) é a certificação de nível Associate que vai além de treinar modelos de ML com o SageMaker AI e cobre todo o trabalho de implantá-los, automatizá-los, monitorá-los e protegê-los. Desde 29 de setembro de 2026 o exame em inglês é o revisado MLA-C02 (beta), enquanto o MLA-C01 em coreano, japonês e chinês simplificado continua disponível até a disponibilidade geral do MLA-C02, por isso este guia é organizado em torno do MLA-C01 e aponta o que mudou.
Este artigo é o guia da nossa série de 13 análises aprofundadas por domínio do MLA-C01. Antes de entrar em cada tema, ele traça o mapa completo: a estrutura do exame, para quem ele é indicado e onde esta certificação se encaixa em uma carreira em AWS.
---
Para quem é o MLA-C01?
O MLA-C01 se parece com construir e operar uma fábrica. Mesmo com uma boa planta (o modelo), a fábrica só funciona se você trouxer a matéria-prima (os dados), automatizar a linha de produção (os pipelines), vigiar a taxa de defeitos (o desvio) e controlar quem entra (a segurança). O exame também pergunta menos sobre a precisão do modelo e mais sobre como montar toda essa operação com serviços da AWS.
Esta certificação é especialmente indicada para os seguintes perfis.
| Público-alvo | Por que faz sentido | |------|------| | Engenheiros de ML e engenheiros de MLOps | Valida oficialmente a capacidade prática de treinar, implantar e automatizar com o SageMaker AI | | Cientistas de dados | Acrescenta a noção de implantação, monitoramento e custo necessária para levar os modelos do notebook à produção | | Engenheiros de backend e DevOps | Leva para as cargas de trabalho de ML seus conhecimentos de CI/CD, IaC e segurança | | Engenheiros de dados | Estende os pipelines de dados até o treinamento e a inferência de modelos | | Quem já tem o AIF-C01 | O próximo passo: de entender conceitos a construir e operar de verdade |
Não há certificações prévias obrigatórias. A AWS recomenda pelo menos um ano de experiência em engenharia de ML com o SageMaker AI e serviços relacionados, mais pelo menos um ano em uma função relacionada, como desenvolvimento backend, DevOps, engenharia de dados ou ciência de dados. O mais importante não é a teoria de ML, e sim o critério para escolher recursos do SageMaker AI e combinações de serviços da AWS.
---
Informações Gerais do Exame
| Item | Detalhe | |------|------| | Código do exame | MLA-C01 | | Nome completo | AWS Certified Machine Learning Engineer - Associate | | Nível | Associate | | Pontuação de aprovação | 720 (escala 100–1.000) | | Questões | 65 (50 pontuadas + 15 não pontuadas) | | Duração | 130 minutos | | Taxa | US$ 150 | | Validade | 3 anos | | Tipos de questões | Múltipla escolha, múltipla resposta, ordenação, correspondência, estudo de caso | | Idiomas | Coreano, japonês e chinês simplificado (o MLA-C01 em inglês terminou em 28 de setembro de 2026; não disponível em português) | | Status | Em revisão: em inglês agora é a beta do MLA-C02 (170 minutos · 85 questões · US$ 75) | | Modalidade | Centro de testes Pearson VUE ou exame supervisionado online | | Experiência recomendada | 1 ano de engenharia de ML com o SageMaker AI e outros + 1 ano em função relacionada (não obrigatório) |
As 15 questões não pontuadas servem para a AWS avaliá-las para exames futuros e não são identificadas. Questões sem resposta contam como erradas e não há penalidade por chute. A pontuação é compensatória, sem nota mínima por domínio; basta atingir 720 no total. Além de múltipla escolha e múltipla resposta, há questões de ordenação, correspondência e estudo de caso; múltipla resposta, ordenação e correspondência só pontuam com tudo certo, e cada questão de um estudo de caso é pontuada separadamente.
---
Distribuição de Domínios
O MLA-C01 é composto por quatro domínios. Os pesos abaixo são os números oficiais sobre as questões pontuadas.
| Domínio | Tópico | Peso | Artigos | |------|------|------|------| | Domínio 1 | Preparação de dados para ML | 28% | 3 artigos | | Domínio 2 | Desenvolvimento de modelos de ML | 26% | 5 artigos | | Domínio 3 | Implantação e orquestração de fluxos de ML | 22% | 3 artigos | | Domínio 4 | Monitoramento, manutenção e segurança de soluções de ML | 24% | 2 artigos |
O domínio 1 (preparação de dados) é o maior, com 28%, mas os outros três se dividem de forma equilibrada entre 22% e 26%. Aprofundar-se em um só domínio não basta para passar; é preciso estudar de forma equilibrada todo o fluxo, da preparação de dados ao desenvolvimento do modelo, à implantação e à operação. No nosso banco de questões, escalabilidade de endpoints, segurança, serviços de IA gerenciados e streaming e automação por eventos aparecem com frequência especial.
!Peso dos 4 domínios do exame MLA-C01
Domínio 1: Preparação de dados para ML (28%)
Este domínio trata de reunir os dados, transformá-los em algo que um modelo consiga aprender e verificar sua qualidade e seu viés.
Tópicos principais: Escolher armazenamento como S3, EFS e FSx e formatos como Parquet, ORC e RecordIO; ingestão em streaming com Kinesis, Firehose, Managed Service for Apache Flink e MSK; transformação com Glue, DataBrew, Data Wrangler e EMR; engenharia de atributos como escalonamento, codificação e valores ausentes; Feature Store; rotulagem com o Ground Truth; Glue Data Quality e métricas de viés pré-treinamento do Clarify; criptografia, mascaramento e conformidade com PII e PHI.
Dica: "O treinamento e a inferência precisam usar os mesmos valores de atributos" → Feature Store. "Limpar a qualidade dos dados sem código" → Glue DataBrew. "O treinamento distribuído grande precisa de um sistema de arquivos compartilhado rápido" → FSx for Lustre.
Posts relacionados: Ingestão e Armazenamento de Dados, Pipelines de ML em streaming e orientados a eventos, Engenharia de Features e Qualidade de Dados
Domínio 2: Desenvolvimento de modelos de ML (26%)
Este domínio trata de escolher a abordagem de modelagem certa para o problema, treinar e ajustar, e avaliar o desempenho.
Tópicos principais: Escolher entre serviços de IA gerenciados, algoritmos integrados do SageMaker AI, JumpStart e Bedrock; Script Mode, treinamento distribuído e com Spot; ajuste automático de modelos (bayesiano, aleatório, Hyperband); regularização, parada antecipada e ensembles; esquecimento catastrófico; reduzir o tamanho do modelo; o registro de modelos; métricas como matriz de confusão, F1, AUC e RMSE; Clarify e Debugger; comparar variantes em sombra.
Dica: "Corrigir nomes de produto transcritos errado, sem especialistas em ML" → vocabulário personalizado do Transcribe. "Alta precisão no treinamento, baixa na validação" → overfitting: regularização e parada antecipada. "99% de acurácia com 0,5% de fraude" → avaliar com revocação e F1.
Posts relacionados: Escolha da Abordagem de Modelagem, Como escolher serviços de IA da AWS, Fundamentos de ML para engenheiros de nuvem, Treinamento, Ajuste e Avaliação de Modelos, Métricas de avaliação e desbalanceamento de classes
Domínio 3: Implantação e orquestração de fluxos de ML (22%)
Este domínio trata de colocar os modelos treinados em serviço, escalá-los e automatizar todo o processo.
Tópicos principais: Escolher inferência em tempo real, sem servidor, assíncrona ou em lote; endpoints multimodelo e multicontêiner; escolher o destino entre endpoints do SageMaker, EKS, ECS e Lambda; políticas e métricas de escalabilidade automática; CloudFormation e CDK; contêineres (ECR, BYOC); endpoints dentro de uma VPC; SageMaker Pipelines, Step Functions, MWAA e EventBridge; CodePipeline, CodeBuild e CodeDeploy com implantações azul/verde, canário e linear.
Dica: "Preparar-se com antecedência para o pico das 9h e atender outras variações" → escalabilidade programada + rastreamento de destino. "Processar cargas grandes por minutos e chegar a zero sem solicitações" → inferência assíncrona. "Implantar automaticamente quando um modelo for aprovado" → regra do EventBridge no evento de aprovação do registro de modelos.
Posts relacionados: Infraestrutura de implantação e estratégias de escalabilidade, Escalabilidade automática de endpoints e destinos de implantação, Construindo pipelines MLOps e CI/CD
Domínio 4: Monitoramento, manutenção e segurança de soluções de ML (24%)
Este domínio trata de vigiar os modelos e a infraestrutura em produção, reduzir custos e proteger o sistema.
Tópicos principais: Vigiar o desvio de qualidade dos dados e do modelo com o Model Monitor; testes A/B; observar e auditar com CloudWatch, X-Ray e CloudTrail; dimensionar com o Inference Recommender e o Compute Optimizer; gerenciar custos com Spot, Savings Plans, tags e Budgets; privilégio mínimo no IAM; isolamento de VPC e de rede; criptografia com KMS; segurança de CI/CD.
Dica: "A distribuição dos dados de entrada em produção difere da do treinamento" → qualidade de dados do Model Monitor. "Os dados de treinamento não podem passar pela internet" → sub-redes privadas + endpoint gateway para o S3. "Quem alterou a configuração do endpoint?" → CloudTrail.
Posts relacionados: Monitoramento de Modelos, Otimização de Custos e Segurança, Segurança de ML a fundo
---
MLA-C01 e MLA-C02, e a trilha de certificação de IA/ML da AWS
As certificações de IA/ML da AWS vão do Foundational (AIF-C01) ao Associate (MLA) e ao Professional (AIP-C01), e o MLA está passando para uma versão revisada no outono de 2026. Comece pelas diferenças entre as duas versões.
| Aspecto | MLA-C01 (atual) | MLA-C02 (beta revisada) | |------|------|------| | Idiomas | Coreano, japonês e chinês simplificado (o inglês terminou em 28 de setembro de 2026) | Só inglês (coreano, japonês e chinês simplificado previstos na disponibilidade geral) | | Formato do exame | 130 minutos · 65 questões · US$ 150 | 170 minutos · 85 questões · US$ 75 (preço beta) | | Tipos de questões | Múltipla escolha, múltipla resposta, ordenação, correspondência, estudo de caso | Múltipla escolha, múlti