O ciclo de vida do desenvolvimento de IA/ML
Dos dados brutos a um modelo monitorado em produção: o pipeline de ML, as opções de implantação, as práticas de MLOps e as métricas que comprovam que um modelo funciona.
Um modelo que pontua bem num notebook ainda não é um produto. Este tópico percorre o caminho completo que transforma dados num modelo em que seus usuários confiam, e depois mantém esse modelo funcionando após o lançamento. Ele corresponde diretamente ao Task Statement 1.3 do exame AWS Certified AI Practitioner, uma das partes mais densas em conceitos do primeiro domínio.
O que este tópico cobre
- as etapas de um pipeline de ML, da coleta de dados e da EDA até o pré-processamento, a engenharia de features, o treinamento, o ajuste, a avaliação, a implantação e o monitoramento
- de onde vêm os modelos (pré-treinados, customizados ou treinados do zero) e como servi-los (API gerenciada versus auto-hospedada, e inferência em tempo real, serverless, assíncrona ou em lote)
- qual recurso da AWS e do Amazon SageMaker cuida de cada etapa, da rotulagem com o Ground Truth à detecção de drift com o Model Monitor
- os fundamentos de MLOps: experimentação, processos repetíveis, sistemas escaláveis, gestão de dívida técnica, monitoramento e retreinamento
- as métricas que medem o sucesso, da matriz de confusão e da dupla precisão/recall aos erros de regressão e ao ROI de negócio
Por que isso importa
O exame recompensa quem enxerga o ML como um ciclo de vida, e não como uma etapa única de treinamento. Muitas questões descrevem uma atividade ("o modelo se degradou depois do lançamento", "precisamos de dados rotulados", "pontuar todas as contas de madrugada") e esperam que você a encaixe no pipeline e nomeie a prática ou o serviço certo. Este tópico constrói esse reflexo.
Ele também fecha o primeiro domínio conectando cada ideia anterior a um resultado que você consegue medir. Tipos de dados, estilos de aprendizado e escolhas de modelo alimentam todos esse pipeline, e as métricas do final decidem se o esforço inteiro valeu a pena. Com este ciclo de vida no lugar, os domínios seguintes, que já pressupõem que você pensa em pipelines e métricas, ficam bem mais fáceis.