Valida habilidades na construção, implantação e operação de cargas de trabalho ML na AWS. Cobre SageMaker e pipelines MLOps.
Ingestão e armazenamento de dados (S3, Kinesis, Glue), Engenharia de features (SageMaker Data Wrangler, Feature Store), Qualidade e governança de dados (Clarify, Lake Formation)
Escolha de abordagem de modelagem (algoritmos integrados, JumpStart, Bedrock), Treinamento e ajuste de modelos (treinamento distribuído, HPO, Debugger), Análise e avaliação de modelos (Clarify, SHAP, métricas de desempenho)
Seleção de infraestrutura de implantação (inferência em tempo real, em lote, serverless), Escalabilidade de infraestrutura ML (Auto Scaling, contêineres, VPC), Pipelines CI/CD (SageMaker Pipelines, CodePipeline, MLOps)
Monitoramento de inferência de modelos (Model Monitor, detecção de drift), Otimização de infraestrutura e custos (CloudWatch, Inference Recommender), Segurança de soluções ML (IAM, KMS, isolamento VPC)
Experimente questões no estilo do exame do conjunto de amostra gratuito. Cada resposta vem com uma explicação completa.
Uma equipe de MLOps em uma empresa financeira está enfrentando frequentes atrasos de implantação e inconsistências de configuração entre ambientes porque os cientistas de dados aprovam e implantam manualmente os modelos treinados no Amazon SageMaker.
A equipe deseja criar um pipeline que valide automaticamente os artefatos do modelo após o treinamento, implante em um ambiente de staging, passe por uma etapa de aprovação e, em seguida, implante automaticamente nos endpoints de produção. A configuração de infraestrutura deve ser gerenciada como código e a reprodutibilidade do ambiente de implantação deve ser garantida.
Qual configuração de pipeline CI/CD MELHOR minimiza a sobrecarga operacional enquanto melhora a consistência e a automação da implantação de modelos?
Resposta: B. CodePipeline + CloudFormation + etapa de aprovação
O núcleo da automação de implantação é um pipeline onde todo o processo, desde a conclusão do treinamento até a produção, é definido como código e executado sem intervenção humana. O AWS CodePipeline orquestra sequencialmente a validação de artefatos de modelo, implantação em staging, portão de aprovação manual e implantação em produção, o que corresponde exatamente aos requisitos deste cenário. O AWS CloudFormation declara a infraestrutura como templates YAML/JSON para provisionar ambientes de staging e produção de forma idêntica, prevenindo inconsistências de configuração na origem.
O AWS CodePipeline é um serviço de entrega contínua totalmente gerenciado que insere uma Manual Approval Action para que a implantação em produção só avance após a aprovação de um revisor designado durante a validação do staging. A integração com o Amazon SageMaker Model Registry permite configurações de governança onde apenas versões de modelos aprovadas entram no pipeline. O AWS CloudFormation garante que não ocorra desvio de ambiente ao reproduzir os ambientes repetidamente a partir do mesmo template.
No exame, quando IaC + etapa de aprovação + implantação automatizada aparecem juntos, CodePipeline + CloudFormation é a combinação correta. Lembre-se que o Amazon SageMaker Pipelines é dedicado a workflows de treinamento e avaliação de ML, enquanto o CodePipeline gerencia a orquestração geral de CI/CD.
Uma empresa de fintech precisa implantar um modelo de detecção de fraude treinado no SageMaker para ser chamado via HTTPS a partir de aplicações on-premises. Conforme a política de segurança, todas as solicitações de inferência devem ser criptografadas com TLS, e a rede on-premises deve acessar através das redes internas da AWS sem passar pela internet pública.
Qual configuração de acesso ao endpoint de inferência MELHOR atende aos requisitos de segurança enquanto minimiza alterações na infraestrutura existente?
Resposta: B. Direct Connect + endpoint VPC PrivateLink
Para selecionar a resposta correta, você precisa identificar a arquitetura que atende simultaneamente a 'sem travessia de internet pública' e 'acesso direto on-premises'. O AWS Direct Connect fornece um circuito físico dedicado entre o data center on-premises e a AWS para que o tráfego nunca passe pela internet. Criar um endpoint de interface VPC baseado em PrivateLink para SageMaker Runtime permite que o tráfego on-premises que entra via Direct Connect alcance o endpoint do SageMaker pela rede interna da VPC, com criptografia TLS fornecida automaticamente via HTTPS.
O AWS Direct Connect fornece circuitos físicos dedicados de 1 Gbps a 100 Gbps, garantindo latência baixa consistente e largura de banda confiável sem travessia de internet. O AWS PrivateLink (VPC Interface Endpoint) atribui endereços IP internos da VPC aos serviços AWS para acesso privado. Para o SageMaker Runtime, você cria o serviço de endpoint com.amazonaws.{region}.sagemaker.runtime dentro da VPC. Combinando ambos os serviços, cria-se um caminho completamente privado para acesso on-premises aos endpoints de inferência do SageMaker sem nenhuma exposição à internet.
VPN é um túnel criptografado baseado na internet, portanto atravessa a internet pública, e combiná-lo com um endpoint público como na Opção 1 falha em atender aos requisitos de segurança. API Gateway + proxy Lambda requer componentes de infraestrutura adicionais, violando o requisito de 'minimizar mudanças na infraestrutura existente'. CloudFront é um CDN completamente baseado na internet que conflita fundamentalmente com o requisito de acesso não-internet. Padrão chave no exame: 'conexão totalmente privada on-premises para AWS' → Direct Connect; 'acesso privado a serviços AWS da VPC' → PrivateLink; sua combinação é o padrão para acessar serviços AWS de on-premises sem internet.
Uma empresa de streaming de mídia opera um serviço de recomendação de conteúdo usando um endpoint de inferência em tempo real do SageMaker.
O tráfego é baixo durante o dia em dias úteis, mas aumenta 3-5x durante as noites e fins de semana. A contagem fixa atual de instâncias causa desperdício de custos quando o tráfego é baixo e latência de resposta quando o tráfego é alto.
Qual tipo de política de auto scaling MELHOR ajusta automaticamente o número de instâncias com base em uma métrica específica, evitando custos excessivos de escalabilidade?
Resposta: C. Política Target Tracking Scaling
Esta questão testa se você consegue identificar, entre três tipos de política de auto scaling, aquela que 'ajusta automaticamente com base em uma métrica específica enquanto previne custos excessivos'. O Target Tracking Scaling define um valor alvo para uma métrica como InvocationsPerInstance, e o SageMaker Application Auto Scaling ajusta automaticamente a contagem de instâncias para manter esse alvo. Ele escala para fora quando a métrica excede o alvo e escala para dentro quando cai abaixo, respondendo precisamente às mudanças de tráfego enquanto remove automaticamente instâncias desnecessárias.
O auto scaling de endpoint do SageMaker opera no AWS Application Auto Scaling. A métrica representativa para Target Tracking Scaling é SageMakerVariantInvocationsPerInstance (chamadas de inferência por minuto), e definir um valor alvo (por exemplo, 70 solicitações por minuto) faz com que o sistema ajuste automaticamente as instâncias para manter esse valor. Configurações separadas de ScaleInCooldown e ScaleOutCooldown evitam escalonamento frequente excessivo. A documentação oficial da AWS também especifica o Target Tracking como a política de auto scaling padrão recomendada para endpoints do SageMaker.
O aumento manual de instâncias não atende ao requisito de automação. O Simple Scaling não toma nenhuma ação adicional durante o cooldown após um único gatilho de limite, tornando-o ineficiente para mudanças rápidas de tráfego. O Step Scaling permite automação, mas requer o design manual de faixas de limite e quantidades de ajuste, resultando em maior carga operacional e menor precisão do que o Target Tracking. No exame, quando o requisito central é 'ajuste automático baseado em uma métrica específica', escolha Target Tracking Scaling.
Uma empresa de jogos online deseja treinar um modelo de previsão de churn no Amazon SageMaker usando centenas de milhões de dados de eventos de comportamento de usuário armazenados no Amazon DynamoDB.
Os dados do DynamoDB estão crescendo continuamente e contêm atributos JSON aninhados, tornando difícil usá-los diretamente para treinamento de ML. Para extrair regularmente dados em grande escala sem afetar o desempenho de leitura da tabela DynamoDB operacional e transformá-los em um formato estruturado adequado para treinamento para carregar no Amazon S3,
Qual abordagem de design de pipeline ETL é MAIS adequada?
Resposta: C. Glue ETL + DynamoDB Export to S3
O requisito mais crítico neste cenário é extrair dados sem afetar o desempenho de leitura da tabela DynamoDB operacional. A Scan API e o EMR DynamoDB Connector leem diretamente a tabela e consomem Unidades de Capacidade de Leitura (RCU), violando este requisito. O DynamoDB Export to S3 exporta dados com base em snapshots PITR (Recuperação em um Ponto no Tempo), sem nenhum impacto na capacidade de leitura da tabela operacional, e o AWS Glue ETL subsequentemente transforma a estrutura JSON aninhada em um formato estruturado adequado para ML.
O DynamoDB Export to S3 é um recurso de exportação totalmente gerenciado disponível quando o PITR está habilitado na tabela DynamoDB. Ele exporta a tabela inteira ou um snapshot de ponto no tempo para o S3 no formato DynamoDB JSON ou Amazon Ion, e a operação de exportação em si não consome RCU da tabela. O AWS Glue ETL é um serviço baseado em Apache Spark serverless que usa a API DynamicFrame para nivelar estruturas JSON aninhadas e convertê-las em formatos Parquet ou CSV legíveis pelo SageMaker. A integração com o Amazon EventBridge Scheduler permite a configuração de execução de pipeline automatizada periódica.
No exame, quando a extração em grande escala sem afetar o desempenho operacional do DynamoDB aparecer, o DynamoDB Export to S3 é a chave. Distinga que o DynamoDB Streams é dedicado à captura de dados de mudança (CDC) e inadequado para extração de lote completo, enquanto a Scan API e o EMR Connector consomem RCU diretamente e afetam o desempenho operacional.
Uma empresa de tecnologia de veículos autônomos está treinando modelos de deep learning no Amazon SageMaker usando milhões de pequenos arquivos de imagem (cada um de alguns KB a alguns MB) e grandes arquivos de log de sensores de dezenas de gigabytes simultaneamente. Atualmente, todos os dados são lidos diretamente do Amazon S3, fazendo com que o tempo de carregamento de dados no início do treinamento represente uma parcela significativa do tempo total de treinamento, com a utilização de GPU permanecendo baixa.
Qual estratégia de acesso a dados é MAIS adequada para arquivos pequenos e arquivos grandes, respectivamente?
Resposta: B. S3 Fast File Mode + FSx for Lustre
Para selecionar a resposta correta, você primeiro precisa entender as diferenças de características de I/O entre muitos arquivos pequenos e arquivos grandes únicos. Milhões de pequenos arquivos de imagem têm um gargalo de IOPS (operações de entrada/saída por segundo) como problema central, e o Amazon S3 Fast File Mode minimiza a latência de carregamento transmitindo diretamente do S3 de forma compatível com POSIX sem baixar arquivos para a instância de treinamento. Arquivos de log de sensores de dezenas de gigabytes requerem throughput sequencial, e o Amazon FSx for Lustre é um sistema de arquivos paralelo otimizado para HPC que se integra diretamente com buckets S3 para fornecer centenas de GB/s de throughput agregado.
O SageMaker tem três modos de entrada de dados: File Mode, Pipe Mode e Fast File Mode. O Fast File Mode monta objetos S3 como um sistema de arquivos e transmite dados simultaneamente com o início do treinamento, eliminando o tempo de espera de pré-download e sendo otimizado para acesso aleatório a arquivos pequenos. O Amazon FSx for Lustre é um sistema de arquivos paralelo totalmente gerenciado onde várias instâncias de GPU no treinamento distribuído podem acessar simultaneamente e se integra automaticamente com a camada de dados S3, permitindo controlar os custos provisionando apenas durante o treinamento.
Quando você vir muitos arquivos pequenos + baixa utilização de GPU, lembre-se do Fast File Mode; quando vir arquivos grandes + alto throughput, lembre-se do FSx for Lustre. O Amazon EBS só pode ser conectado a uma única instância, o que o torna fatalmente limitado em cenários de treinamento distribuído com múltiplas instâncias onde o compartilhamento de dados é impossível.
O exame AWS Certified Machine Learning Engineer – Associate (MLA-C01) tem 65 questões e limite de 130 minutos.
A nota de aprovação do exame MLA-C01 é 720 de 1000.
O conjunto de amostra de MLA-C01 (20 questões com explicações completas) é gratuito. O banco completo com mais de 340 questões está disponível com uma assinatura do CloudMasterIT.
A certificação MLA-C01 é válida por 3 anos após a aprovação. Depois disso é necessária a recertificação.