O stack de IA generativa da AWS
Amazon Bedrock, SageMaker AI, Amazon Q, Kiro e as ferramentas agênticas: o que cada serviço faz, por que construir na AWS e os trade-offs de custo.
Os dois tópicos anteriores explicaram como a IA generativa funciona e como decidir se ela resolve um problema de negócio. Este mostra onde tudo isso roda. O Task Statement 2.3 do exame nomeia os serviços da AWS por nome, e a maioria das questões desse objetivo é decidida por saber qual serviço ocupa qual posição, não por decorar listas de recursos.
O tópico é organizado como um eixo. De um lado, o Amazon Bedrock entrega modelos de fundação atrás de uma API gerenciada, sem infraestrutura visível. Do outro, o Amazon SageMaker AI entrega uma plataforma para treinar e servir qualquer modelo em instâncias que você dimensiona, com o SageMaker JumpStart ocupando o meio. Acima dos dois ficam os assistentes prontos e as ferramentas agênticas, e por baixo de tudo fica a conta.
O que este tópico cobre
- o Amazon Bedrock: uma API para muitos modelos, mais Knowledge Bases, Guardrails, avaliações e customização
- o isolamento por conta de implantação e o que ele responde sobre prompts e dados de clientes
- o Amazon SageMaker AI e o SageMaker JumpStart, e a armadilha de nome de dezembro de 2024
- quando o caminho gerenciado deixa de servir: treinar do zero, controlar o serving, ML clássico
- Amazon Q, Amazon Quick, Kiro, Strands Agents e Amazon Bedrock AgentCore, separados entre consumir e construir
- as vantagens dos serviços de IA generativa da AWS e os benefícios de segurança, conformidade, responsabilidade e safety
- os três modos de comprar inferência, o custo real de um modelo customizado e a ordem certa de puxar as alavancas de custo
Por que isso importa
Este é o tópico que transforma conceito em decisão de arquitetura. Uma questão de cenário raramente pergunta o que o Bedrock é; ela descreve uma restrição e espera que você saiba se essa restrição tira o caminho gerenciado da mesa. Residência de dados, container de serving próprio, treinamento do zero e volume de tráfego são as quatro que mais aparecem.
O ganho prático vai além da prova. Escolher errado entre Bedrock e um endpoint do SageMaker AI não quebra a aplicação, mas muda a conta em ordens de grandeza e a carga operacional do time para sempre. Quem entende o eixo escolhe pelo requisito e sabe explicar a escolha para quem assina o orçamento.