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)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'])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.