Serviços de IA e subserviços da AWS para o AIF-C01: o que cada um faz e como usá-lo

O exame AIF-C01 não pede que você construa nada. Ele pergunta se você sabe escolher o serviço certo da AWS para um problema e explicar o que ele faz. Isso parece fácil até você perceber que a AWS tem uma dúzia de serviços de IA, e os dois maiores - Amazon Bedrock e Amazon SageMaker AI - contêm, cada um, uma dúzia de subserviços próprios. A maioria das pessoas estuda os nomes de destaque e acaba pega de surpresa por um cenário que gira em torno de Knowledge Bases vs. fine-tuning, ou Ground Truth vs. Data Wrangler.

Esta é a versão aprofundada: cada serviço e cada subserviço dentro do escopo do AIF-C01, com o que é, por que existe e como você realmente o usaria. É longo de propósito - trate-o como uma referência que você percorre por seção, não uma história que você lê do início ao fim. Se você quiser primeiro o mapa mais curto de "qual serviço corresponde a qual domínio do exame", leia o post complementar Todos os serviços da AWS no exame AIF-C01 e depois volte aqui para o detalhe dos subserviços.

O modelo mental: cinco maneiras de usar IA na AWS

Antes da lista de serviços, tenha este enquadramento na cabeça. Toda questão de IA no exame está, na verdade, perguntando "qual dessas cinco camadas se encaixa?"

• APIs de IA gerenciadas (Comprehend, Rekognition, Textract e assim por diante) - pré-treinadas, de propósito único. Você envia dados, recebe um resultado. Nenhuma escolha de modelo, nenhum treinamento.
• Amazon Bedrock - acesso gerenciado a modelos de fundação mais o ferramental para construir aplicativos de IA generativa (RAG, agentes, guardrails). Você escolhe um modelo e compõe o comportamento; você não gerencia servidores.
• Amazon SageMaker AI - a plataforma completa para construir seu próprio modelo. Você prepara dados, treina, ajusta, implanta e monitora modelos personalizados.
• Amazon Q - produtos de assistente de IA prontos. Você não escolhe um modelo nem conecta um repositório de vetores; a AWS já fez isso.
• PartyRock - um playground sem código para aprender e prototipar aplicativos de IA generativa.

O exame testa constantemente as fronteiras entre elas. Mantenha a camada em mente ao ler cada serviço abaixo.

Amazon Bedrock

O que é. Um serviço totalmente gerenciado que lhe dá uma única API para chamar modelos de fundação de muitos provedores, mais um conjunto de ferramentas integradas para construir aplicativos de IA generativa em cima deles. Sem infraestrutura, sem hospedagem de modelo - você envia prompts, recebe respostas.

Por que existe. Aplicativos de IA generativa precisam de mais do que um modelo bruto: precisam de fundamentação em dados privados, controles de segurança, orquestração e avaliação. O Bedrock reúne tudo isso por trás de APIs serverless, para que você construa o aplicativo, e não o encanamento.

Como usar. Escolha um modelo, teste-o em um playground e depois adicione os subserviços de que precisa (Knowledge Bases para RAG, Guardrails para segurança, Agents para ações) e chame tudo a partir do seu aplicativo pela API ou SDK.

Foundation models

O catálogo de modelos que você pode chamar. Você não fica preso a um único fornecedor - selecionar o modelo certo para custo, latência e capacidade é uma habilidade central no exame.

• Amazon Titan - os modelos próprios da Amazon: Titan Text, Titan Text Embeddings (para busca vetorial de RAG), Titan Image Generator e Titan Multimodal Embeddings.
• Amazon Nova - a família de modelos mais recente da Amazon (abordada em sua própria seção abaixo).
• Anthropic Claude - modelos fortes de raciocínio de propósito geral e de contexto longo.
• Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (geração de imagens) e outros.

Saiba que um "modelo de fundação" é um grande modelo pré-treinado que você adapta por meio de prompting, RAG ou fine-tuning - não algo que você treina do zero.

Bedrock playgrounds

O que/por que. Consoles de chat, texto e imagem para experimentar modelos e prompts sem código. É aqui que você compara modelos e ajusta parâmetros de inferência (temperature, top-p, max tokens) antes de conectar qualquer coisa.

Como usar. Abra o playground, escolha um modelo, itere sobre um prompt e depois leve o modelo e as configurações vencedoras para o seu aplicativo.

Knowledge Bases

O que/por que. A capacidade gerenciada de geração aumentada por recuperação (RAG). Ela conecta um modelo de fundação aos seus documentos privados para que as respostas sejam fundamentadas nos seus dados - sem fine-tuning.

Como usar. Aponte-a para uma fonte de dados (por exemplo, S3), e ela fragmenta os documentos, gera embeddings, os armazena em um repositório de vetores e recupera trechos relevantes para injetar no prompt no momento da consulta. Ela rastreia citações automaticamente. A resposta canônica do exame para "fundamentar um modelo em dados privados sem retreinar" é Knowledge Bases (RAG).

Agents

O que/por que. Dão a um modelo de fundação a capacidade de executar ações - chamar APIs, rodar fluxos de trabalho de várias etapas, consultar uma Knowledge Base - em vez de apenas retornar texto.

Como usar. Defina "action groups" (as ferramentas e APIs que o modelo pode chamar, muitas vezes apoiadas por Lambda), e o Agents executa o ciclo raciocinar-agir-observar. Se um cenário precisa que o assistente busque algo e depois faça algo (verificar um pedido, atualizar um registro), a resposta é Agents, não inferência simples.

Guardrails

O que/por que. Uma camada de políticas configurável entre o usuário e o modelo que impõe requisitos de segurança e de IA responsável.

Como usar. Ative as proteções de que precisa: filtros de conteúdo (ódio, violência e assim por diante), tópicos negados que você define, filtros de palavras, redação de informações sensíveis (PII) em entradas e saídas, e verificações de fundamentação contextual para reduzir alucinação. É declarativo - nenhum código personalizado. Os Guardrails se aplicam a modelos, Agents, Knowledge Bases e Flows.

Flows

O que/por que. Um construtor visual de baixo código para encadear peças do Bedrock em um único fluxo de trabalho nomeado.

Como usar. Arraste prompts, Knowledge Bases, Agents, Guardrails, funções Lambda e lógica condicional para um fluxo e depois invoque tudo com uma única chamada de API. Use-o quando quiser orquestração sem escrever o código de ligação.

Prompt Management

O que/por que. Um catálogo versionado de prompts para que as equipes os reutilizem e comparem em vez de colar strings no código.

Como usar. Armazene prompts como recursos versionados, teste variantes e referencie-os a partir de aplicativos e Flows. Combina com o Model Evaluation para medir qual versão tem melhor desempenho.

Model Evaluation

O que/por que. Avaliação integrada da qualidade do modelo e do RAG, para que a escolha do modelo seja medida em vez de adivinhada.

Como usar. Execute avaliações automáticas (métricas como precisão, robustez, toxicidade) ou traga revisores humanos, e compare modelos ou versões de prompt nos seus próprios dados.

Custom models (fine-tuning e continued pre-training)

O que/por que. Quando prompting e RAG não bastam, adapte um modelo ao seu domínio.

Como usar. O fine-tuning ensina um modelo a partir de exemplos rotulados; o continued pre-training o adapta a um grande corpo de texto de domínio não rotulado. O resultado é um modelo personalizado privado que você serve pelo Bedrock. O exame quer que você saiba que o fine-tuning altera o modelo, enquanto o RAG deixa o modelo intacto e fornece contexto no momento da consulta.

Provisioned Throughput

O que/por que. Um modo de precificação e capacidade. A precificação sob demanda cobra por token sem compromisso; o Provisioned Throughput reserva capacidade dedicada para cargas de trabalho estáveis, de alto volume ou com modelos personalizados.

Como usar. Escolha o Provisioned Throughput quando precisar de throughput garantido ou para servir um modelo personalizado; caso contrário, sob demanda é o padrão.

Outros recursos do Bedrock para reconhecer

• Batch inference - execute grandes trabalhos offline a um custo menor.
• Cross-Region inference - roteia solicitações entre Regiões para capacidade e resiliência.
• Model invocation logging - envia logs de prompt e resposta para o CloudWatch ou o S3 para auditoria.
• Bedrock Data Automation - extrai e transforma conteúdo não estruturado (documentos, imagens, áudio, vídeo) em saída estruturada.
• Bedrock Marketplace - acesso a modelos especializados e emergentes além do catálogo principal.

Amazon Bedrock AgentCore

O que é. Um conjunto mais recente de serviços para executar agentes de IA em produção, independentemente de qual framework ou modelo os construiu. O Bedrock Agents ajuda você a construir um agente; o AgentCore ajuda você a operá-lo em escala.

Por que existe. Agentes de protótipo quebram em produção - falta-lhes memória, acesso seguro a ferramentas, identidade e observabilidade. O AgentCore fornece isso como blocos de construção gerenciados que você adota de forma independente.

Como usar. Escolha os componentes de que precisa:

• Runtime - hospedagem serverless para o código do agente ou da ferramenta, com isolamento de sessão.
• Memory - contexto persistente entre sessões para que o agente se lembre.
• Gateway - expõe suas APIs e funções Lambda ao agente como ferramentas chamáveis.
• Identity - dá a cada agente uma identidade de carga de trabalho e gerencia seu acesso a serviços externos (integra-se com Cognito, Okta, Entra ID).
• Code Interpreter - um sandbox para o agente executar código.
• Browser - navegação web sem interface gráfica para o agente.
• Observability - rastreamento e monitoramento do comportamento do agente.

Para o AIF-C01, reconheça o AgentCore como a camada de "levar um agente à produção"; você não precisa construir um.

Amazon Nova

O que é. A própria família de modelos de fundação da Amazon, servida pelo Bedrock.

Por que existe. Para oferecer forte capacidade a preço e latência baixos e previsíveis em texto, imagem e vídeo.

Como usar. Escolha o nível que se ajusta ao trabalho:

• Nova Micro - apenas texto, menor custo e latência.
• Nova Lite - multimodal de baixo custo (entrada de texto, imagem, vídeo).
• Nova Pro - modelo multimodal equilibrado para a maioria das tarefas.
• Nova Premier - o mais capaz, e um bom "professor" para destilar modelos personalizados menores.
• Nova Canvas - geração de imagens.
• Nova Reel - geração de vídeo.
• Nova Sonic - fala-para-fala; Nova Act - ações agênticas de navegador.

Amazon SageMaker AI

O que é. A plataforma de ponta a ponta para construir, treinar, implantar e monitorar seus próprios modelos de machine learning. Esta é a camada de "construir um modelo personalizado" - o extremo oposto das APIs gerenciadas.

Por que existe. Alguns problemas precisam de um modelo treinado com seus dados, com controle total do ciclo de vida. O SageMaker AI fornece cada etapa como uma capacidade gerenciada, para que as equipes não tenham que montar sua própria infraestrutura de ML.

Como usar. Para o AIF-C01 você usa o SageMaker conceitualmente: saiba o que cada subserviço faz e quando ele se aplica. Não se espera que você escreva código de treinamento.

SageMaker Studio

O IDE e centro de controle baseado na web - notebooks, experimentos e acesso a todas as outras capacidades do SageMaker em um só lugar.

SageMaker JumpStart

Um catálogo de modelos de fundação pré-treinados e modelos específicos de tarefa com implantação em um clique e notebooks de fine-tuning. Pense nele como implantar um modelo pronto na sua própria conta e endpoint - distinto de chamar uma API hospedada pelo Bedrock.

SageMaker Canvas

ML sem código para analistas. Faça upload de um conjunto de dados, escolha um alvo, e o Canvas constrói um modelo e gera previsões. Ele também pode acessar modelos de fundação do Bedrock para tarefas generativas - tudo sem escrever código.

Data Wrangler

Preparação visual de dados. Importe de muitas fontes, aplique centenas de transformações integradas, analise e exporte os dados preparados para uma pipeline de treinamento. Esta é a etapa de "limpar e moldar os dados".

Feature Store

Um repositório central para os recursos (entradas do modelo) que suas equipes projetam, com um armazenamento online para inferência de baixa latência e um armazenamento offline para treinamento. Evita que cada equipe recompute os mesmos recursos.

Ground Truth (e Ground Truth Plus)

Rotulagem de dados. O Ground Truth gerencia fluxos de trabalho de rotulagem humana e automatizada para construir conjuntos de dados de treinamento; o Ground Truth Plus é a versão totalmente gerenciada, operada pela AWS, com uma força de trabalho especializada. Dados rotulados são o que o treinamento supervisionado precisa.

Clarify

Detecção de viés e explicabilidade. Ele mede viés nos dados e nas previsões do modelo entre grupos, e calcula atribuições de recursos (quais entradas impulsionaram uma previsão, usando SHAP). Esta é a resposta nomeada para "detectar viés" e "explicar o modelo" em cenários de IA responsável.

Model Monitor

Monitoramento contínuo de modelos em produção. Ele detecta desvio de dados, desvio de qualidade do modelo, desvio de viés e desvio de atribuição de recursos, e emite alertas - para que você perceba um modelo se degradando antes que os usuários percebam.

Autopilot

Machine learning automatizado (AutoML). Aponte-o para um conjunto de dados e ele explora algoritmos, treina e ajusta modelos candidatos automaticamente, depois destaca o melhor. O caminho sem esforço pesado até um modelo treinado.

Pipelines

Orquestração de MLOps. Defina o fluxo de trabalho repetível - preparar, treinar, avaliar, registrar, implantar - como uma pipeline, para que a entrega do modelo seja automatizada e reproduzível.

Model Registry e Model Cards

O Model Registry versiona modelos treinados e gerencia a aprovação para implantação. Os Model Cards documentam o propósito, os dados, o desempenho e as limitações de um modelo para governança. Ambos apoiam um ML responsável e auditável.

Opções de inferência

Como você serve um modelo treinado, ajustado ao padrão de tráfego:

• Real-time endpoints - serviço persistente, de baixa latência, sempre ativo.
• Serverless inference - escala até zero para tráfego intermitente; sem capacidade a gerenciar.
• Asynchronous inference - enfileira solicitações grandes ou de longa duração.
• Batch transform - pontua um conjunto de dados inteiro offline, sem necessidade de endpoint.

Saber qual opção de inferência se ajusta a um cenário (tráfego estável vs. intermitente vs. em massa) é um padrão recorrente do exame.

Os serviços de IA gerenciados (APIs específicas de tarefa)

Serviços pré-treinados que resolvem um tipo de problema sem treinamento ou gerenciamento de modelo. O exame testa a escolha do certo para um caso de uso.

Amazon Comprehend

O que/por que/como. Processamento de linguagem natural sobre texto: sentimento, entidades, frases-chave, detecção de idioma, modelagem de tópicos e detecção de PII, mais classificação personalizada e reconhecimento de entidades personalizado. Envie texto, receba resultados estruturados. Resposta para "analisar feedback de clientes" ou "encontrar PII em texto".

Amazon Textract

O que/por que/como. Compreensão de documentos além do OCR básico - ele extrai texto, pares chave-valor, tabelas e campos de PDFs e digitalizações, com análise especializada para faturas, recibos e documentos de identidade. Resposta para "extrair dados estruturados de formulários".

Amazon Rekognition

O que/por que/como. Visão computacional para imagens e vídeo: detecção de objetos e cenas, análise e comparação facial, moderação de conteúdo, texto em imagens e Custom Labels para suas próprias categorias. Resposta para "analisar imagens sem uma equipe de ML".

Amazon Transcribe

O que/por que/como. Fala-para-texto automática com identificação de locutor, vocabulário personalizado, modelos de linguagem personalizados, redação de PII, streaming em tempo real e uma variante médica. Frequentemente combinado com o Comprehend: transcreva uma chamada, depois analise o sentimento.

Amazon Polly

O que/por que/como. Texto-para-fala com vozes neurais e generativas em muitos idiomas, controlado com SSML para pronúncia e ritmo. Resposta para "converter texto em fala natural".

Amazon Translate

O que/por que/como. Tradução automática neural entre muitos idiomas, com terminologia personalizada para fraseado de domínio, em tempo real e em lote. Resposta para "traduzir conteúdo sem treinar um modelo".

Amazon Lex

O que/por que/como. Construa bots conversacionais com reconhecimento automático de fala e compreensão de linguagem natural: defina intenções e slots, cumpra-os com Lambda, responda por meio do Polly. É o framework de chatbot estruturado, baseado em intenções - contraste-o com o Bedrock Agents para assistentes abertos que usam ferramentas.

Amazon Personalize

O que/por que/como. Recomendações e personalização em tempo real gerenciadas, construídas a partir da mesma tecnologia por trás da Amazon.com. Alimente-o com dados de interação; obtenha recomendações, classificação personalizada e segmentos de usuários - sem modelo de recomendação a construir.

Amazon Q

O que é. Os produtos de assistente de IA prontos da AWS. A ideia-chave para o exame: o Q é um produto, não um kit de ferramentas. Você não seleciona um modelo, gerencia prompts ou constrói um repositório de vetores - a AWS fez isso.

• Amazon Q Developer - um assistente de código e da AWS no seu IDE e no console: geração de código, depuração, rastreamento de referência, perguntas sobre recursos da AWS e ajuda com custos ou CLI (antigo CodeWhisperer).
• Amazon Q Business - um assistente corporativo que responde a perguntas fundamentadas nos dados da sua empresa (por exemplo, SharePoint, Confluence, Salesforce), com respostas que respeitam permissões.
• Variantes embutidas que você pode ver nomeadas: Q in QuickSight (inteligência de negócios), Q in Connect (central de atendimento) e Q Apps.

Como usar / ângulo do exame. Escolha o Q quando o requisito for "usar IA sem construir nada"; escolha o Bedrock quando precisar personalizar e construir seu próprio aplicativo.

PartyRock

O que é. Um playground sem código baseado na web (alimentado pelo Bedrock) para construir aplicativos de IA generativa descrevendo-os em linguagem simples. Ele roda fora do Console da AWS e não requer uma conta AWS.

Por que existe. Para permitir que qualquer pessoa aprenda IA generativa e engenharia de prompt na prática, e para prototipar ideias de aplicativos rapidamente.

Como usar. Você compõe um aplicativo a partir de widgets - entrada do usuário, texto estático e widgets com IA de geração de texto, geração de imagens ou chatbot. Você os encadeia referenciando a saída de um widget dentro do prompt de outro com o sinal @ (variáveis dinâmicas), para que as saídas fluam de widget para widget. Ótimo para construir intuição antes de tocar no Bedrock propriamente dito.

Serviços de apoio no escopo

Não são específicos de IA, mas são testados em cenários de segurança, governança, custo e dados. Saiba para que serve cada um; você não precisa de detalhes profundos de configuração.

• Segurança, identidade e conformidade: IAM (acesso de menor privilégio, por exemplo restringir quais modelos do Bedrock uma role pode invocar), KMS (chaves de criptografia para dados, artefatos de modelo e logs), Macie (descoberta de dados sensíveis e PII baseada em ML no S3), Amazon Inspector (varredura de vulnerabilidades), Secrets Manager (segredos gerenciados), AWS Artifact (relatórios de conformidade sob demanda).
• Gerenciamento e governança: CloudTrail (trilha de auditoria de API), CloudWatch (métricas, logs, alarmes; logs de invocação do Bedrock e métricas de endpoint), AWS Config (configuração e conformidade de recursos), Trusted Advisor (verificações de boas práticas), AWS Well-Architected Tool (revisão de cargas de trabalho contra o framework).
• Armazenamento: Amazon S3 (o data lake para dados de treinamento, documentos e artefatos), S3 Glacier (arquivamento).
• Computação: Amazon EC2 (incluindo famílias de instâncias com GPU e aceleradores; AWS Trainium para treinamento e AWS Inferentia para inferência), AWS Lambda (cola serverless para pipelines e ações de agentes).
• Contêineres: Amazon ECS e Amazon EKS para cargas de trabalho conteinerizadas.
• Bancos de dados e repositórios de vetores: Amazon OpenSearch Service (busca vetorial k-NN para RAG), Amazon Aurora e Amazon RDS (relacionais, com pgvector para embeddings), Amazon DynamoDB (chave-valor), Amazon Neptune (grafo), Amazon DocumentDB, Amazon ElastiCache.
• Analytics e preparação de dados: AWS Glue e Glue DataBrew (ETL e preparação), Amazon EMR (processamento de big data), AWS Lake Formation (governança de data lake), Amazon Redshift (data warehouse), AWS Data Exchange (dados de terceiros), Amazon Quick / QuickSight (inteligência de negócios).
• Rede: Amazon VPC (incluindo padrões de PrivateLink para manter o tráfego fora da internet), Amazon CloudFront (entrega de conteúdo).
• Custo: AWS Budgets e AWS Cost Explorer (rastreiam e preveem gastos - relevante porque o gerenciamento de custos de IA generativa está no exame).

Novas adições no escopo para reconhecer

A AWS atualizou a lista dentro do escopo, então alguns nomes são mais recentes do que a maioria do material de estudo:

• Amazon Bedrock AgentCore e Amazon Nova (abordados acima).
• Kiro - um ambiente de desenvolvimento agêntico, orientado a especificações (IDE e CLI) que transforma prompts em especificações, código e documentação.
• Strands Agents - um SDK de código aberto para construir e orquestrar agentes de IA na AWS.
• AWS Transform - bancada de trabalho agêntica para migração de nuvem e modernização de aplicativos.
• O guia do exame agora escreve Amazon SageMaker AI (não apenas "SageMaker"). Mesma plataforma, nome atualizado.

Explicitamente fora do escopo: pule estes

A AWS lista estes como fora do escopo para o AIF-C01, então não gaste tempo de estudo com eles:

• Machine learning: AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama.
• Segurança e rede: Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53.
• Gerenciamento: AWS Control Tower, AWS Organizations.
• Além da maioria dos serviços de Internet das Coisas, Mídia e Migração e Transferência.

Se uma questão de prática girar em torno de um desses, quase certamente é um distrator.

Uma observação sobre nomenclatura e desvio de escopo

Um punhado de serviços aparece em material de estudo mais antigo do AIF-C01 (e em alguns bancos de questões), mas não está na lista oficial atual dentro do escopo. Você ainda pode vê-los referenciados; aqui está, brevemente, para que serve cada um:

• Amazon Q - os produtos de assistente de IA acima; onipresente na prática, ainda que não esteja na tabela formal de serviços dentro do escopo.
• Amazon Kendra - busca corporativa com tecnologia de ML (apenas recuperação, versus Knowledge Bases, que recupera e gera).
• Amazon Augmented AI (A2I) - adiciona revisão humana para previsões de IA de baixa confiança.
• AWS Audit Manager - automatiza a coleta de evidências de conformidade.
• AWS Fargate, Amazon EventBridge, Amazon API Gateway - computação serverless, eventos e encanamento de API sobre os quais os aplicativos de IA são frequentemente construídos.

Entenda o que eles fazem no nível de uma frase e siga em frente.

O guia de decisão de 30 segundos

Dado um cenário, associe-o a uma camada:

• Chamar um modelo de fundação por API -> Bedrock
• Fundamentar um modelo em dados privados, sem retreinamento -> Bedrock Knowledge Bases (RAG)
• Deixar o modelo executar ações -> Bedrock Agents
• Adicionar controles de segurança e de PII -> Bedrock Guardrails
• Executar agentes em produção (memória, ferramentas, identidade) -> Bedrock AgentCore
• Usar IA sem construir nada -> Amazon Q
• Aprender ou prototipar sem código -> PartyRock
• Treinar ou ajustar um modelo personalizado -> SageMaker AI
• Implantar você mesmo um modelo pronto -> SageMaker JumpStart
• Rotular dados -> Ground Truth; preparar dados -> Data Wrangler; armazenar recursos -> Feature Store
• Detectar viés ou explicar um modelo -> SageMaker Clarify
• Monitorar um modelo em produção -> SageMaker Model Monitor
• Analisar texto / imagens / documentos / fala / tradução / chatbots / recomendações -> a API gerenciada correspondente
• Proteger, criptografar, escanear, auditar ou monitorar -> IAM / KMS / Macie / CloudTrail / CloudWatch

Certificações relacionadas

Este guia se aplica a várias certificações AWS - ele aparece em Guias de Estudo Relacionados em cada um de seus hubs:

• AWS Certified AI Practitioner (AIF-C01) - o alvo principal; todo serviço aqui está em seu escopo.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - aprofunda-se em SageMaker AI, preparação de dados e MLOps.
• AWS Certified Generative AI Developer Professional (AIP-C01) - constrói sobre Bedrock, Agents, Knowledge Bases e Guardrails.
• AWS Certified Cloud Practitioner (CLF-C02) - fundacional; toca nesses serviços de IA levemente.
• AWS Certified Data Engineer Associate (DEA-C01) - os serviços de preparação de dados e analytics (Glue, Data Wrangler, Feature Store) se sobrepõem diretamente.

Como estudar isto

Não memorize cada recurso. O exame recompensa o reconhecimento de padrões: leia um cenário, identifique a camada, nomeie o serviço. Faça questões de prática com o guia de decisão de 30 segundos aberto e, cada vez que errar uma, volte à seção daquele serviço aqui e leia o o-que-por-que-como até que a fronteira fique clara. Deixe os subserviços do Bedrock e os subserviços do SageMaker bem alinhados - é aí que o exame separa quem passou os olhos de quem entendeu.

Fonte: guia do exame AWS Certified AI Practitioner (AIF-C01) (listas de serviços dentro e fora do escopo) e documentação de serviços da AWS, em setembro de 2026.