AWS ML Engineer Associate (MLA-C01): o que esperar da nova certificação

O MLA-C01 foi lançado oficialmente (GA) em agosto de 2024 e discretamente se tornou a certificação de ML da AWS que mais vale o seu tempo. Ele substituiu a antiga Machine Learning Specialty (MLS-C01), que foi aposentada em 2024 — embora o MLS-C01 ainda apareça em guias de estudo desatualizados porque a internet não se atualiza no cronograma da AWS. Se você veio aqui tentando descobrir se deveria estudar para o MLS-C01 ou MLA-C01, a resposta é MLA-C01. A antiga certificação está morta.

O que é interessante é a mudança no escopo. O MLS-C01 focava bastante no lado da ciência de dados — escolha de algoritmos, ajuste de hiperparâmetros, a matemática de quando usar XGBoost versus uma rede neural. O MLA-C01 vai fortemente na outra direção. É um exame de engenharia. Implantação com SageMaker, pipelines de MLOps, monitoramento de drift, depuração de endpoints. Se você queria uma certificação que testasse se você consegue treinar um modelo, não é esta. Se você queria uma certificação que testasse se você consegue entregar e operar um, o MLA-C01 é exatamente isso.

Formato

65 questões, 170 minutos, $150, pontuação de aprovação escalonada de 720/1000. Quatro domínios:

• Preparação de Dados para ML (28%)
• Desenvolvimento de Modelos de ML (26%)
• Implantação e Orquestração de Workflows de ML (22%)
• Monitoramento, Manutenção e Segurança de Soluções de ML (24%)

Essa distribuição é enganosa à primeira vista. "Desenvolvimento de Modelos de ML" soa como treinar modelos, mas no MLA-C01 trata-se, na verdade, de escolher algoritmos SageMaker embutidos e configurar trabalhos de treinamento. Não é solicitado que você projete um transformador do zero.

Para quem é esta certificação

Honestamente, três grupos:

Engenheiros de dados que foram "arrastados" para ML. Você construiu os pipelines. Agora sua equipe precisa de endpoints do SageMaker atrás de um API Gateway e você é quem está fazendo a conexão. O MLA-C01 se alinha perfeitamente a esse trabalho.

Engenheiros de backend que implementam funcionalidades de ML. Você não está treinando modelos. Um cientista de dados entrega a você um artefato de modelo e você precisa implantá-lo, monitorá-lo, retreiná-lo e reverter se houver drift. Esta é a certificação para isso.

Engenheiros de nuvem que estão migrando para plataformas de ML. Você já se sente à vontade com IAM, VPCs, ciclo de vida do S3, CloudWatch. Agora você precisa aprender as configurações do SageMaker. O MLA-C01 é uma forma focada de fazer isso.

Não é a certificação para cientistas de dados que fazem P&D de modelos. Eles querem uma certificação diferente — possivelmente nada específico da AWS, talvez o GCP Professional ML Engineer se quiserem algum sinal de nuvem. A certificação de ML "pura" da AWS não existe mais; AIF-C01 (AI Practitioner) é fundamental e mais leve; AIP-C01 (GenAI Developer Pro) é a nova certificação de ML "pesada" no nível Profissional.

O que realmente está incluído

SageMaker, de ponta a ponta. SageMaker Studio, trabalhos de treinamento (algoritmos embutidos, BYO container, Script Mode), trabalhos de processamento, batch transform, registro de modelos, endpoints (real-time, serverless, asynchronous, multi-model), shadow tests, variantes de modelo A/B, autoscaling. Também SageMaker Canvas, SageMaker JumpStart para modelos de fundação, SageMaker Pipelines para orquestração.

Você não precisa saber todos os algoritmos embutidos de cor. Você precisa saber aproximadamente quando usar linear learner vs XGBoost vs DeepAR vs Object2Vec, e como configurar trabalhos de treinamento para usar Spot, treinamento distribuído e managed warm pools.

Preparação de dados na AWS. AWS Glue, Glue DataBrew, EMR, Kinesis Data Streams / Firehose / Analytics, Athena, SageMaker Data Wrangler, SageMaker Feature Store. Muita engenharia de dados se mistura a este exame. Se você já fez o DEA-C01, ~25% do MLA-C01 parecerá familiar.

Padrões de MLOps. SageMaker Pipelines, AWS Step Functions, EventBridge para gatilhos, integração com CodePipeline, blue/green model deployment, canary rollouts, aprovações de registro de modelos, CI/CD para ML. Não tão aprofundado quanto o DOP-C02 em CI/CD puro, mas com cobertura sólida.

Monitoramento e drift. SageMaker Model Monitor (qualidade de dados, qualidade de modelo, bias drift, feature attribution drift), SageMaker Clarify para viés e explicabilidade, Model Dashboard. Métricas do CloudWatch para endpoints. Este é um dos tópicos subestimados — a maioria dos candidatos o ignora porque monitoramento parece chato, mas 12 questões do exame real são sobre ele.

Segurança. IAM para SageMaker, criptografia KMS para dados de treinamento e artefatos de modelo, modo VPC para SageMaker, isolamento de rede, SageMaker Role Manager, PrivateLink para endpoints, registro de auditoria.

O que não é amplamente testado (boas notícias)

• Teoria pura de ML. Você não precisa de cálculo. Você não precisa derivar o backprop. Não é perguntado qual otimizador é melhor que qual.
• Design de arquitetura de deep learning. Nenhuma questão sobre a escolha do número de 'transformer heads'.
• Teste de hipótese estatística. O antigo MLS-C01 tinha isso; o MLA-C01 removeu a maior parte.
• Especificidades de IA Generativa. Isso é para o AIF-C01 (fundamental) e AIP-C01 (Pro). O MLA-C01 menciona JumpStart e Bedrock, mas no nível de integração, não em profundidade.

Como estudar

Os recursos ainda estão em desenvolvimento — a certificação tem apenas ~20 meses. Em abril de 2026:

• O AWS Skill Builder tem o caminho de aprendizado oficial do MLA-C01. É bom e gratuito com uma conta.
• Stephane Maarek tem um curso de MLA-C01 na Udemy que tem um bom ritmo.
• Adrian Cantrill não havia lançado um curso completo de MLA-C01 até o final de 2025 — verifique se já existe um. Se sim, será a opção mais aprofundada.
• O Tutorials Dojo tem exames práticos e explicações. A qualidade é sólida.
• Exames práticos oficiais da AWS no Skill Builder. O mais próximo do exame real.

A prática é mais importante do que para o SAA-C03. Crie um domínio do SageMaker Studio, treine um algoritmo embutido em um conjunto de dados do Kaggle, faça a implantação em um endpoint em tempo real, acesse-o com curl e, em seguida, implante o mesmo modelo em um endpoint serverless e observe o cold-start. Configure o Model Monitor no endpoint e acione um alerta de drift. Todo esse exercício custa $5–$15 em contas da AWS e ensina 30% do exame.

Orçamento de tempo:

• Engenheiro de dados ou backend com exposição a ML: 6–8 semanas a 10 horas/semana.
• Engenheiro de nuvem sem experiência em ML: 12 semanas. Construa algo real.
• Cientista de dados aprendendo o lado AWS: 6–10 semanas, principalmente nos tópicos de implantação e operações.

Sinal de carreira: ainda em desenvolvimento

Aqui é onde serei honesto sobre a incerteza: o MLA-C01 é muito novo para dados salariais claros. levels.fyi e Glassdoor ainda não o agrupam como uma credencial distinta — a maioria dos cargos de "engenheiro de ML" em 2026 ainda lista MLS-C01 (que não existe mais) ou não lista nenhuma certificação AWS. As vagas de emprego que mencionam o MLA-C01 estão concentradas em empresas de médio a grande porte com equipes formais de plataforma de ML.

O que posso dizer com base em dados informais e conversas: engenheiros de ML sêniores nas principais metrópoles dos EUA ganham $180k–$280k de salário base em 2026, com a compensação total (TC) ultrapassando $400k+ em empresas de nível FAANG. O MLA-C01 não move esse número muito por si só — a experiência sim. A certificação provavelmente vale $5k–$15k da mesma forma que o SAA-C03 é para funções de SA: um sinal para o recrutador de que você passou por um certo nível de conhecimento.

O que o MLA-C01 sinaliza claramente: que você pode levar um modelo de um notebook para um endpoint de produção sem causar problemas. O que, se você é um gerente de contratação para uma equipe de plataforma de ML, é exatamente o que você quer saber.

Comparação: MLA-C01 vs alternativas

• O AIF-C01 é fundamental. Faça-o se quiser um sinal genérico de IA para funções não-engenharia. Não substitui o MLA-C01.
• O AIP-C01 é a certificação de Desenvolvedor GenAI de nível Profissional. Mais focado em integração de IA generativa (Bedrock, prompt engineering, padrões RAG). Faça-o se seu trabalho for implementar funcionalidades de LLM. Empilhe-o após o MLA-C01 se quiser um sinal de ML e GenAI.
• O DEA-C01 (Data Engineer Associate) se sobrepõe em cerca de 25% com o MLA-C01 no lado da preparação de dados. Se você fizer ambos, faça o DEA-C01 primeiro.
• O GCP Professional ML Engineer (PMLE) é o equivalente mais próximo no Google Cloud. Mais focado em Vertex AI e especificidades de TPU. Não é intercambiável, mas tem formato similar.

Conclusão

O MLA-C01 é um exame Associate focado e razoavelmente difícil que se alinha de perto a uma função de trabalho real — engenheiro de plataforma de ML / engenheiro de MLOps. Se você realiza esse trabalho, faça-o. Se você está tentando entrar em ML vindo de um background de backend e quer uma certificação que sinalize competência para recrutadores, esta é ela. Os dados salariais ainda estão surgindo, mas a trajetória é claramente ascendente — as funções de engenharia de ML estão contratando rapidamente em 2026.

Se você estiver estudando, explore o banco de questões MLA-C01 no CertLabPro ou inicie um exame cronometrado. E crie um endpoint do SageMaker esta semana. O trabalho prático é o que torna o exame óbvio.