Guia do Exame AIF-C01 e Fundamentos de IA/ML

Toda certificação AWS começa com um documento: o guia oficial do exame. Para o AIF-C01, esse documento faz dois trabalhos ao mesmo tempo: diz exatamente como o exame é construído (códigos, minutos, questões, nota de corte, pesos) e define o vocabulário conceitual que você deve comandar no Domínio 1 (Fundamentos de IA e ML, 20% da nota). Alunos que pulam o guia e vão direto para flashcards costumam reprovar pelas mesmas três razões: erram o orçamento de tempo, confundem viés estatístico com viés de equidade e não conseguem dizer quando a IA é a resposta errada para um problema de negócios.

Nesta lição você vai:

• ler o guia de exame como um redator de exames lê: código, tempo, custo, pontuação, idiomas;
• converter pesos dos domínios em um orçamento concreto de horas de estudo;
• dominar os quatro tipos de questão e o modelo de pontuação compensatória;
• separar IA, ML, aprendizado profundo e IA generativa usando as definições da própria AWS;
• escolher entre aprendizado supervisionado, não supervisionado, por reforço e semissupervisionado;
• fixar o vocabulário: modelo, algoritmo, treinamento, inferência, época, lote, atributo, rótulo;
• diagnosticar subajuste e superajuste pela lente viés/variança;
• calcular e interpretar acurácia, precisão, recall e F1;
• mapear as seis fases do ciclo de vida de ML para serviços AWS reais;
• absorver as atualizações do guia de exame de 2025 to 2026 (objetivos da v1.1) e separar alegações verificadas de não verificadas;
• aplicar as essências de estratégia de exame: ritmo, eliminação e as famílias de armadilhas recorrentes;
• estudar estudos de caso reais da AWS: serviços, números e fontes;
• praticar com 12 questões no estilo do exame mais verificações interativas.

---

1. O que o AIF-C01 realmente mede

1.1 O candidato alvo

O guia de exame define o candidato alvo em uma única frase, e essa frase é material examinável por si só: um candidato tem até 6 meses de exposição a tecnologias de IA/ML na AWS e usa, mas não necessariamente constrói, soluções de IA/ML. Esta é uma credencial de praticante, não de engenheiro. Você está sendo testado em julgamento, vocabulário, seleção de serviços e governança: não em escrever código de treinamento.

1.2 No escopo e explicitamente fora do escopo

O guia traça uma linha rígida em torno do escopo. A lista fora do escopo não é enfeite: itens dela apareceram como distratores no conjunto oficial de questões de prática, porque um distrator que soa como "trabalho real de ML" é a resposta errada mais tentadora de todas.

Explicitamente fora do escopo (guia de exame):

• codificação de modelos de IA/ML;
• engenharia de dados e engenharia de atributos;
• ajuste de hiperparâmetros;
• construção de pipelines de ML;
• análise matemática e estatística;
• implementação de protocolos de segurança e conformidade;
• desenvolvimento de frameworks de governança.

Explicitamente no escopo (conhecimento AWS recomendado):

• serviços de nuvem principais: Amazon EC2, Amazon S3, AWS Lambda;
• serviços de IA: Amazon Bedrock, Amazon SageMaker AI;
• modelo de responsabilidade compartilhada e AWS Identity and Access Management (IAM);
• fundamentos de precificação e gestão de custos da AWS.

1.3 A superfície de serviços AWS que você deve reconhecer

O guia publica uma lista não exaustiva de serviços, agrupados por categoria. Não é necessário conhecer cada caminho do console; é necessário saber para que cada serviço serve e quando escolhê-lo.

• 📚 Você sabia? O exame AIF-C01 foi anunciado em junho de 2024 e sua beta abriu em 13 de agosto de 2024 com 85 questões, 170 minutos e taxa de 75 USD em inglês e japonês. O exame padrão foi GA em outubro de 2024 a 100 USD com 65 questões e 90 minutos, então, se você encontrar um guia de estudo antigo descrevendo um exame de 170 minutos, está lendo material da era beta.

---

2. Logística do exame: os números que mudam sua estratégia

2.1 A tabela de logística

Cada linha abaixo foi verificada contra a página de certificação da AWS, o guia de exame ou a loja Pearson VUE, com o ano de verificação mostrado.

2.2 Exemplo E1, o orçamento de tempo por questão

O número mais útil de todo o guia é uma aritmética que ninguém publica:

$$t = \frac{90 \times 60}{65} = \frac{5{,}400}{65} \approx 83 \text{ segundos por questão}$$

Se você reserva 10 minutos para revisão, o orçamento real é $80 \times 60 / 65 \approx$ 73,8 segundos por item. Compare com a beta de 2024: $170 \times 60 / 85 = 120$ segundos por item, o exame padrão é aproximadamente 31% mais apertado por questão. Itens de ordenação e associação legitimamente consomem mais que a média; itens de múltipla escolha devem ser terminados em menos de um minuto para que o excedente pague por eles.

2.3 Exemplo E5: custo da reprovação

Uma tentativa reprovada custa mais 100 USD mais uma espera obrigatória de 14 dias corridos antes de poder refazer. Não há limite de tentativas e a taxa total se aplica cada vez; inversamente, você não pode refazer um exame que passou por 2 anos. Uma promoção limitada de "Foundational Retake" terminou em 15 de fevereiro de 2025, então orce para uma chance só.

• 📚 Você sabia? Você não precisa "passar em todos os domínios". Como a pontuação é compensatória, um Domínio 3 forte (28%) pode carregar um Domínio 4 fraco (14%): a AWS afirma que você precisa de uma nota de aprovação somente no exame como um todo, e o relatório de nota ainda pode mostrar feedback por seção para guiar sua nova tentativa.

---

3. Domínios, pesos e declarações de tarefa

3.1 Pesos oficiais e o orçamento de questões derivado

3.2 O que cada domínio realmente testa

3.3 Convertendo pesos em um plano de estudo

Suponha que você tenha 40 horas até o dia do exame. Os pesos convertem diretamente em horas:

Os domínios 2 + 3 somam 52% da nota: mais da metade do exame é trabalho de IA generativa. Um candidato que gasta 80% do tempo de estudo em ML clássico já alocou a maioria do seu esforço de forma errada.

---

4. Tipos de questão e mecânica de pontuação

4.1 Os quatro tipos de questão

Não há tipo de estudo de caso listado no guia atual. Um PDF legado de 2024 (v1.4, 31 de julho de 2024) contém redação de estudo de caso, e a AWS não declara qual série de numeração rege o dia do exame: veja as ressalvas na Seção 11.3.

4.2 Pontuação compensatória

Compensatória significa uma coisa: apenas o resultado geral precisa passar de 700. Você não precisa atingir 700 dentro de cada domínio individual. Um candidato que pontua o equivalente a 650 no Domínio 4, mas o equivalente a 800 geral nos Domínios 1 to 3, ainda pode passar, e vice-versa: dominar o Domínio 3 não resgata uma nota geral abaixo da corte.

4.3 Exemplo E2: escalada, não uma porcentagem bruta

700 de 1.000 parece 70%, e a conversão ingênua $0.70 \times 50 = 35$ respostas corretas é aritmeticamente limpa, e errada como fato de exame. A AWS escala notas "across multiple exam forms that might have slightly different difficulty levels", então o número bruto de respostas corretas necessário para 700 não é fixado em 35 e não é publicado. A única regra determinística em que você pode confiar é comportamental: itens não respondidos são pontuados como incorretos, então você deve responder todas as 65.

---

5. Inteligência artificial, machine learning, aprendizado profundo e IA generativa

5.1 O mapa de quatro camadas, nas palavras da própria AWS

5.2 Quando IA/ML é a resposta errada

O Domínio 1 testa explicitamente análise de custo-benefício e a decisão de não usar IA. As duas razões canônicas para recusar um projeto de IA:

1. Você precisa de um resultado específico e determinístico: se o requisito é "aplicar exatamente estas 12 regras de negócio", um motor de regras dá a mesma resposta toda vez, é auditável linha a linha e não custa nada para treinar.
2. O custo-benefício não fecha: coleta, rotulagem, avaliação e monitoramento de dados podem exceder o valor da previsão, especialmente onde uma planilha ou uma revisão humana já atinge a acurácia alvo.

• 📚 Você sabia? A própria página "what is overfitting" da AWS usa uma definição que surpreende as pessoas: "Underfit models experience high bias, they give inaccurate results for both the training data and test set." Viés no Domínio 1 é um termo estatístico (viés alto = simples demais) e o Domínio 4 usa viés como termo de equidade (distorção demográfica). O exame testa ambos os sentidos, geralmente em domínios diferentes.

---

6. Paradigmas de aprendizado: supervisionado, não supervisionado, por reforço, semissupervisionado

6.1 A tabela de decisão

A AWS documenta os três paradigmas com precisão: aprendizado supervisionado usa atributos mais valores alvo conhecidos (alvo categórico → classificação; alvo contínuo → regressão); aprendizado não supervisionado não tem rótulos e descobre agrupamentos (PCA, clustering); aprendizado por reforço tem um agente aprendendo por tentativa e erro para maximizar a recompensa de longo prazo, equilibrando exploração contra exploração.

6.2 Escolhendo o paradigma a partir do enunciado

---

7. Terminologia central: o vocabulário do Domínio 1

7.1 Termos com definições de origem AWS

7.2 Exemplo E6: uma época, um lote, 1.000 linhas

Pegue 1.000 linhas com tamanho de lote de 100: uma época = 10 iterações de treinamento, cada uma consumindo 100 amostras. Dez épocas = 100 iterações no total, e o modelo já viu cada linha dez vezes. Mais épocas não são automaticamente melhores: elas reduzem o viés até um ponto e então começam a elevar a variança (memorização). A orientação da AWS para tamanho de lote é incomumente prática: comece em 1 e aumente até atingir um erro de estouro de memória, porque lotes maiores elevam o risco de OOM na instância de treinamento.

7.3 Modos de inferência

7.4 Tipos de dados que você deve reconhecer

• Rotulados vs não rotulados: determina o paradigma antes de qualquer outra coisa;
• Estruturados/tabulares: linhas e colunas; território do ML clássico (XGBoost no SageMaker);
• Séries temporais: observações ordenadas; tarefas de previsão;
• Imagens: pixels; computer vision (Rekognition);
• Texto: tokens não estruturados; NLP (Comprehend) e IA generativa;
• Estruturado vs não estruturado, o exame usa este par para decidir entre jobs tabulares do SageMaker e Bedrock/Comprehend/Rekognition.

---

8. Ajuste do modelo: subajuste, superajuste, viés e variança

8.1 A tabela de diagnóstico

8.2 Exemplo E3: uma divisão de 1.000 linhas

Divisão padrão legada: 700 treino / 300 avaliação linhas.

A lacuna diz o diagnóstico; o nível absoluto diz em que direção mover. O cenário B é o que os alunos perdem: uma lacuna pequena não é automaticamente boa notícia quando os dois números são ruins.

8.3 Viés e variança em dois sentidos diferentes

A declaração de tarefa 4.1 do guia de exame lista "effects of bias and variance (e.g., effects on demographic groups, inaccuracy, overfitting, underfitting)": deliberadamente unindo os dois sentidos:

• Sentido estatístico (Domínios 1 e 3): viés alto = subajuste, variança alta = superajuste; mais treinamento reduz o viés mas pode aumentar a variança.
• Sentido de equidade (Domínio 4): viés como distorção contra grupos demográficos, abordada por análise de qualidade de rótulos, auditorias humanas e análise de subgrupos, com SageMaker Model Cards documentando o uso pretendido e as limitações do modelo.

---

9. Métricas de avaliação: acurácia, precisão, recall e F1

9.1 O conjunto de métricas

$$F1 = 2 \cdot \frac{P \times R}{P + R}$$

9.2 Exemplo E4: por que F1 é uma média harmônica

Com precisão $P = 0.80$ e recall $R = 0.50$:

$$F1 = \frac{2 \times 0.80 \times 0.50}{0.80 + 0.50} = \frac{0.80}{1.30} \approx 0.615$$

A média aritmética seria $(0.80 + 0.50)/2 = 0.650$. O F1 cai mais baixo (0.615) precisamente porque a média harmônica é puxada para a métrica mais fraca: esse é o ponto da métrica. Um modelo que encontra apenas metade dos itens relevantes não deve ser avaliado como "maiormente ok".

9.3 Métricas de modelo versus métricas de negócio

O Domínio 1 exige que você mantenha dois livros separados:

Um modelo de fraude com 99% de acurácia que bloqueia 5% dos pagamentos legítimos pode destruir mais valor do que economiza, o exame espera que você diga isso.

• 📚 Você sabia? F1 é uma média harmônica e não aritmética por uma razão que aparece em opções do exame: com P = 0,95 e R = 0,30 a média aritmética diz 0,625 (passável) enquanto o F1 diz 0,456 (reprovado). A média harmônica se recusa a deixar um número excelente esconder um quebrado: a AWS documenta o intervalo como 0 (pior) a 1 (maior).

---

10. O ciclo de vida de desenvolvimento de IA/ML

10.1 As seis fases (AWS Well-Architected ML Lens)

O ML Lens define seis fases, e avisa que elas são "not necessarily sequential", com loops de feedback correndo em ambas as direções:

10.2 Mapa fase → serviço

10.3 Exemplo E7: da meta de negócio ao endpoint monitorado

Uma equipe de varejo quer reduzir o gasto com suporte em 15%. Mapeando isso para o ciclo de vida:

1. Meta de negócio: reduzir custo de suporte em 15%: medido em dólares, não em acurácia.
2. Enquadramento do problema: prever auto-resolução de tickets (classificação binária): ou decidir que um resumidor do Bedrock é mais barato que um classificador.
3. Dados: 2 anos de tickets no S3, limpos com Glue DataBrew, rotulados por 3 anotadores no Ground Truth (alvo: ≥90% de concordância entre anotadores).
4. Desenvolvimento: treinar no SageMaker AI, avaliar F1 = 0,74 em uma divisão hold-out de 30%.
5. Implantação: endpoint em tempo real do SageMaker para o console do agente; Bedrock API para resumo.
6. Monitoramento: alarmes CloudWatch sobre latência e alertas do Model Monitor sobre deriva de atributos; Model Card registra uso pretendido e limites conhecidos.

---

11. Roteiro de preparação, recursos e ressalvas

11.1 Recursos oficiais do Skill Builder

11.2 O plano oficial de quatro etapas

A AWS publica um plano de preparação de quatro etapas, e a ordem importa: é diagnóstico antes de instrucional:

1. Conheça o exame: leia o guia de exame e esta lição; entenda tipos, pesos e pontuação.
2. Atualize conhecimentos e habilidades AWS: EC2, S3, Lambda, IAM, Bedrock, SageMaker AI, responsabilidade compartilhada, precificação.
3. Revise e pratique: bancos de questões, vídeos de revisão por domínio, flashcards.
4. Avalie a prontidão: pré-teste oficial cronometrado ou exame de prática com 65 questões / 90 minutos.

11.3 Recertificação, refações e alegações não verificadas

• Validade: 3 anos. Recertifique-se reaprovando no AIF-C01 ou obtendo AWS Certified Machine Learning Engineer: Associate, que auto-recertifica.
• Refação: reprovou → espera de 14 dias corridos, tentativas ilimitadas, 100 USD completos cada vez; um exame aprovado não pode ser refazido por 2 anos.
• Próximas certificações: Solutions Architect: Associate (caminho de nuvem) ou Data Engineer: Associate / ML Engineer: Associate (caminho de dados e IA).

• 📚 Você sabia? O histórico de alterações do guia de exame e a lista de idiomas da página de certificação são ambos alvos móveis: a série atual do guia mostra v1.0 em 26 de março de 2026 e v1.1 em 30 de abril de 2026, enquanto italiano e alemão se aposentam após 15 de outubro de 2026, deixando o exame em 12 idiomas. Verifique a data da versão do guia em qualquer PDF que baixar: PDFs sem data ou datados de 2024 circulam amplamente.

11.4 Atualizações de 2025 to 2026

O guia de exame é um documento vivo, e os últimos dois anos o mudaram duas vezes em um mês: v1.0 foi publicada em 26 de março de 2026 e v1.1 em 30 de abril de 2026. A AWS afirma que atualizações do guia aparecem no exame cerca de um mês após a publicação, então todo objetivo v1.1 abaixo é elegível para o exame desde o final de maio de 2026. Tudo nesta subseção marcado como verificado foi checado contra o histórico de alterações do guia de exame da AWS (docs v1.1) em 6 de outubro de 2026; qualquer coisa não assim marcada é rotulada como não verificada.

Os sete novos objetivos na v1.1 (verificados):

Outras mudanças v1.1 verificadas:

• Lista de serviços: adicionados Amazon Aurora, Bedrock AgentCore, Kiro, Strands Agents, Amazon Q, SageMaker JumpStart, AWS Transform; removido Amazon MemoryDB;
• Exemplos alterados: 1.1.3 adiciona inferência assíncrona e serverless; 1.1.1 diz "agentic AI"; 1.3.4 nomeia Bedrock, Amazon Quick, Kiro, SageMaker AI; 1.3.6 mantém acurácia/precisão/recall/F1 e remove AUC; 3.1.5 adiciona destilação; 3.4.2 adiciona LLM-as-a-judge; 4.2.2 nomeia Clarify + Bedrock Model Evaluations; 5.1.4 adiciona prevenção de vazamento de dados, validação de saída, trilhas de auditoria e toxicidade;
• Inalterado: 65 questões (50 pontuadas + 15 não pontuadas), 90 minutos, 100 USD, nota de corte 700/1.000, validade de 3 anos, nível Foundational, os quatro tipos de questão e os pesos 20 / 24 / 28 / 14 / 14;
• Status de serviços que você pode encontrar como distrator: SageMaker Model Monitor e SageMaker Clarify fecharam para novos clientes em 30 de julho de 2026, o status é manutenção, não um encerramento e não um rebranding, então clientes existentes os mantêm sem novas funcionalidades; Amazon Kendra entrou em manutenção em 30 de junho de 2026, fechou para novos clientes em 30 de julho de 2026, com Bedrock Managed Knowledge Base como substituição direcionada pela AWS; o vocabulário de ciclo de vida é Maintenance → Sunset → Full Shutdown.

Não verificado, não memorize como fatos de exame: datas de lançamento da série Claude 5 em circulação (catálogo de terceiros, não um post da AWS); a data de encerramento do Q Business (docs da AWS dizem apenas "no longer open to new customers"); datas de lançamento de primeira geração de Nova Sonic e Bedrock Managed Knowledge Base; precificação conflitante do Claude Opus 4.6 ($5.00/$25.00 vs $15.00/$75.00); a alegação de que economias de batch e prompt-caching se multiplicam (a redação da AWS diz que caching não é suportado com batch); o dia exato de end-of-support do Mechanical Turk (General Reference 30 set 2026 vs What's New 29 set 2026); e qualquer sucessor AIF-C02, nenhum foi anunciado.

• 📚 Você sabia? O Bedrock Guardrails agora carrega seis políticas, moderação de conteúdo, detecção de prompt attack, tópicos negados, filtros de PII/informações sensíveis, contextual grounding e Automated Reasoning checks (preview em 3 de dezembro de 2024), e a AWS publica até 88% de bloqueio de conteúdo prejudicial mais até 99% de acurácia para Automated Reasoning, cujo trabalho é validar, corrigir e explicar respostas com lógica formal em vez de apenas bloqueá-las.

11.5 Essências de Estratégia de Exame

Logística só ganha marcas quando se torna comportamento. Estas são as táticas de maior rendimento do próprio material de preparação de exame da AWS, mais as famílias de armadilhas que recorrem em todos os quatro tipos de questão.

Plano de ritmo (90 minutos, 65 itens):

Famílias de armadilhas e o hábito defensivo:

Três regras a mais valem a pena memorizar: nunca carregue duas opções empatadas além de 90 segundos, marque, varra, comprometa-se; múltipla resposta, ordenação e associação são tudo-ou-nada, então um par errado zera o item; e o exame quer a melhor resposta, não a resposta de truque, a AWS recompensa a opção gerenciada, prática e consciente de custos. Com aproximadamente 83 segundos por item, três minutos travados em uma questão são duas questões perdidas.

• 📚 Você sabia? Detalhes administrativos que pertencem ao seu calendário: seu relatório de nota é publicado na Conta de Certificação AWS dentro de 5 dias úteis, você pode reagendar até 24 horas antes do agendamento com um máximo de 2 reagendamentos, e um no-show ou uma mudança dentro de 24 horas anula a taxa: enquanto o proctoring em inglês para aplicação online roda 24×7.

---

12. Casos Reais

Os domínios 1 e 3 são ensinados com abstrações, mas a AWS publica como os mesmos padrões aparecem em produção. Cada número abaixo é afirmação do cliente ou da AWS e não auditado, e a fonte é nomeada para que você possa checar, o ponto examinável é o padrão (qual camada de IA foi escolhida, qual serviço fez o trabalho, qual número se moveu), não o marketing.

12.1 Caso × serviços × resultado

12.2 Três casos que valem a pena conhecer em detalhe

Caso A: Sun Finance: o protótipo só com LLM que falhou. Uma instituição de crédito em 9 países revisava 60% das solicitações de microcrédito manualmente, a 10 minutos a 20 horas por arquivo. A primeira tentativa enviou fotos de documento de identidade direto ao Claude Sonnet 4 para extração de JSON: em um conjunto de teste de 585 imagens pontuou 61,8% no geral e apenas 43% no número do documento, e a AWS o rejeitou porque as proteções de privacidade do modelo bloqueiam extração direta de PII. O pipeline funcional separa OCR de raciocínio: Textract para OCR, Rekognition como fallback e mascaramento de rosto, o LLM apenas para estruturação, depois regras de validação mais Titan Multimodal Embeddings em S3 Vectors para similaridade de fraude. Resultado: acurácia 79,73% → 90,80% (número do documento 74,32% → 89,40%), −91% de custo por documento, 20 h → <5 s. Lição do exame: extração de documentos é um trabalho de serviço pronto primeiro; um LLM geral é a camada de estruturação, não a camada de OCR.

Caso B: Nippon India: engenharia de recuperação, não um modelo maior. RAG ingênuo se degradava conforme o volume de documentos crescia e produzia alucinações. A correção adicionou parsing com FM-as-parser, reformulação de consulta, multi-query RAG, modelos reranker, GraphRAG e filtragem de metadados em Bedrock Knowledge Bases, mais Guardrails e citações. Resultado: acurácia +>95%, alucinação −90 to 95%, geração de relatórios 2 dias → ~10 minutos. A AWS sinaliza estes como recursos de produto geralmente disponíveis, não código exclusivo de clientes. Lição do exame: quando a qualidade do RAG é o problema, ajuste a recuperação antes de trocar o modelo.

Caso C, Chronomics: AutoML gerenciado vence quatro meses de DIY. Uma equipe de health-tech gastou 4 meses construindo um modelo customizado de computer vision para ler resultados de testes de COVID e nunca atingiu o alvo. Rekognition Custom Labels entrou em produção em 3 to 4 semanas com 96,5% de acurácia / 97,9% F1. Elevar o limiar de confiança para 0,99 elevou a acurácia para 99,6% mas descartou 5% das previsões (0,999 → 99,87% com 27% descartados), então a equipe teve de decidir o que acontece com a cauda descartada, o caminho de revisão humana que a AWS documenta exatamente para este caso. Lição do exame: escolha a camada deliberadamente e sempre responda "quem revisa a saída de baixa confiança?" (Amazon A2I).

12.3 O que os números têm em comum

• 📚 Você sabia? Os casos de falha documentados são a parte mais examinável desta pesquisa: a tentativa de OCR só com LLM do Sun Finance (61,8%), a construção de visão computacional customizada de quatro meses da Chronomics (3 to 4 semanas com Rekognition Custom Labels em vez disso) e a inferência Kubernetes auto-gerenciada do Forethought (movida para SageMaker por −66%). A AWS também publica a regra de pré-produção atrás deles: valor primeiro, salvaguardas antes do lançamento, entregue através do Well-Architected Framework e do AWS Cloud Adoption Framework para IA/ML/IA Generativa.

---

Perguntas de Prática (Practice Questions)

---