AWS SAA-C03/09 - Dados Analytics e ML2 min
Serviços de IA Gerenciados
Responda com suas palavras antes de ler o resto da nota.
- Que problema isso resolve?
- Quando usar / quando NÃO usar?
- Qual o principal trade-off (custo, latência, operação)?
- Que sinal no enunciado aponta pra isso?
- Com o que isso é confundido na prova?
Conceito
A AWS oferece capacidades de IA prontas por API — você não treina nada. A prova testa o reconhecimento: dada a tarefa, qual serviço.
| Serviço | Faz |
|---|---|
| Rekognition | Analisa imagem e vídeo: objeto, rosto, texto, moderação de conteúdo |
| Transcribe | Áudio → texto (com identificação de locutor, redação de PII) |
| Polly | Texto → áudio (voz sintetizada) |
| Translate | Tradução entre idiomas |
| Comprehend | NLP: sentimento, entidade, idioma, tópico. Comprehend Medical para saúde |
| Textract | Extrai texto, tabela e formulário de documento escaneado/PDF |
| Lex | Chatbot conversacional (o motor da Alexa) |
| Kendra | Busca inteligente em documentos corporativos, com linguagem natural |
| Forecast | Previsão de série temporal (demanda, estoque) |
| Personalize | Recomendação de produto/conteúdo |
| Fraud Detector | Detecção de fraude online |
| SageMaker | Construir, treinar e implantar modelo próprio |
| Bedrock | Modelos de fundação (GenAI) gerenciados por API |
A regra de decisão
Se a tarefa é uma capacidade pronta (transcrever, traduzir, reconhecer rosto, extrair de formulário), use o serviço específico. Só vá pra SageMaker quando o requisito é modelo customizado, treinado com dados próprios.
As distinções que confundem
- Textract vs Rekognition: Rekognition detecta texto em imagem (placa, letreiro). Textract entende documento estruturado — formulário, tabela, fatura. "Processar faturas/formulários" é sempre Textract.
- Kendra vs OpenSearch: OpenSearch é busca por palavra-chave/índice. Kendra responde pergunta em linguagem natural sobre documentos corporativos.
- Comprehend vs Translate: Comprehend entende (sentimento, entidade); Translate traduz.
Trade-offs
Serviço gerenciado entrega resultado em minutos, sem dado de treino nem equipe de ML — em troca você aceita o modelo da AWS como é, sem controle fino de acurácia. SageMaker inverte: controle total, ao custo de dados rotulados, tempo e conhecimento.
Na prova, alternativa que propõe treinar um modelo no SageMaker para uma tarefa que já tem serviço pronto é quase sempre o distrator de overengineering.
Sinais de prova
- "Analisar sentimento de avaliações de clientes" → Comprehend
- "Legendar vídeos automaticamente" → Transcribe
- "Moderar imagens enviadas por usuários" → Rekognition
- "Extrair dados de faturas e formulários" → Textract
- "Buscar em documentos internos com pergunta em linguagem natural" → Kendra
- "Recomendar produtos" → Personalize
- "Prever demanda de estoque" → Forecast
- "Chatbot de atendimento" → Lex
- "Modelo customizado com dados próprios" → SageMaker
Relacionado
Parte de 09 - MOC Dados Analytics e ML · Documentação AWS