A consolidação da inteligência artificial generativa (GenAI) como elemento estrutural das arquiteturas em nuvem mudou a natureza da discussão técnica. Se no início a preocupação era “como acessar modelos de larga escala”, a pergunta agora é outra: “como fazer esses modelos raciocinarem sobre processos específicos de negócio, com governança e eficiência?”.
O keynote de Swami Sivasubramanian no AWS re:Invent 2025 trouxe uma resposta clara: a AWS está dobrando a aposta em raciocínio avançado aplicado a processos específicos. Em vez de apenas disponibilizar modelos cada vez maiores, o foco agora é dar às empresas mecanismos concretos para adaptar, alinhar e treinar esses modelos em cima de contextos muito particulares e com menos atrito operacional e mais governança.
Na prática corporativa, GenAI só gera valor quando deixa de ser “motor de texto” e passa a operar como mecanismo de raciocínio sobre fluxos de trabalho concretos: validação de entregas, análise editorial, decisões de crédito, atendimento técnico, recomendações comerciais, entre outros.
Este artigo analisa três pilares dessa estratégia:
- Personalização serverless no Amazon SageMaker AI.
- O ajuste fino por reforço no Amazon Bedrock.
- Os novos recursos de treinamento sem checkpoints e treinamento elástico no Amazon SageMaker HyperPod.
Juntos, eles desenham uma nova geração de arquiteturas de IA na AWS: menos pipelines artesanais, mais plataformas prontas para raciocínio aplicado ao negócio.
De modelos genéricos a agentes que entendem o seu negócio
Quando falamos em “raciocínio avançado aplicado a processos específicos”, estamos falando de algo bem objetivo:
- Modelos que não apenas respondem, mas decidem, comparam opções, seguem regras internas, consideram restrições de negócio.
- Agentes que não funcionam em um vácuo, mas operam sobre SLA, políticas de crédito, diretrizes editoriais, catálogos de produtos, fluxos logísticos.
Os anúncios da AWS atacam esse problema em três modelos:
1. Personalização serverless no Amazon SageMaker AI
A nova funcionalidade de personalização sem servidor no Amazon SageMaker AI é um movimento importante para organizações que querem customizar modelos de IA sem herdar toda a complexidade de infraestrutura.
No Amazon SageMaker Studio, as equipes passam a contar com uma experiência integrada para:
- Selecionar modelos de base amplamente utilizados (Amazon Nova, Llama, Qwen e outros);
- Escolher técnicas de personalização, incluindo ajuste fino supervisionado e métodos mais avançados, como Direct Preference Optimization, RLVR e RLAIF;
- Configurar datasets, métricas e hiperparâmetros com suporte da própria plataforma;
- Gerenciar experimentos com um MLflow serverless;
- Implantar modelos personalizados tanto no próprio SageMaker quanto no Amazon Bedrock.
O ponto central: ao tornar esse fluxo serverless, a AWS tira a carga operacional de cima das equipes e desloca o esforço do “como provisionar GPU” para o “como estruturar dados, objetivos e critérios de avaliação do modelo”.
Para organizações em estágio intermediário ou avançado de maturidade em nuvem e dados, isso reduz a barreira de entrada para técnicas modernas de personalização. Fica mais simples criar modelos especializados em domínios como logística, atendimento, jurídico ou operações internas sem construir toda a esteira de MLOps do zero.
Para a Dati, esse “esqueleto gerenciado” potencializa a capacidade de desenhar esteiras de personalização com mais previsibilidade, conectando SageMaker AI a arquiteturas já consolidadas em EKS, Fargate, Lambda e outros serviços da AWS. Em vez de reinventar a base técnica, a Dati passa a concentrar energia onde importa: selecionar casos de uso, qualificar dados e desenhar critérios de sucesso alinhados ao negócio.
2. Ajuste fino por reforço no Amazon Bedrock
O segundo eixo de inovação é o ajuste fino por reforço no Amazon Bedrock. Enquanto a personalização tradicional depende fortemente de grandes conjuntos de dados rotulados, o ajuste fino por reforço utiliza funções de recompensa para guiar o comportamento do modelo, a partir de feedback explícito ou implícito da operação.
No Amazon Bedrock, isso passa a ser oferecido de forma integrada, permitindo:
- Usar logs de chamadas de API como observação do comportamento do modelo em produção;
- Definir funções de recompensa alinhadas a objetivos de negócio (aderência a políticas internas, redução de alucinações, respeito a guias editoriais, melhoria de conversão etc.);
- Treinar variantes menores de modelos, focadas em tarefas específicas, equilibrando qualidade e custo de inferência;
- Aplicar técnicas como RLVR e RLAIF conforme a natureza da tarefa (mais objetiva, mais subjetiva ou híbrida).
Na prática, esse modelo deixa de ser um artefato estático e se torna um sistema em evolução contínua. Em mídia, isso significa preservar e refinar a identidade editorial ao longo do tempo. Em varejo, aproximar o comportamento da IA de métricas como margem e conversão, sem violar políticas comerciais. Em atendimento, priorizar respostas que aumentam a resolução já no primeiro contato.
A experiência da Dati em projetos de GenAI para grupos de mídia, logística e varejo já vinha mostrando ganhos relevantes com pipelines de curadoria, avaliação e revisão de outputs. A diferença, agora, é que o que antes era um “circuito paralelo” de revisão passa a poder ser codificado como parte nativa da arquitetura via Bedrock, usando funções de recompensa e mecanismos de RL como ferramenta concreta de governança de comportamento de modelos.
3. Treinamento sem checkpoints e treinamento elástico no Amazon SageMaker HyperPod
A terceira dimensão são os recursos de treinamento em escala no Amazon SageMaker HyperPod, em especial o treinamento sem checkpoints e o treinamento elástico.
Em projetos que envolvem grandes modelos ou refino pesado, dois problemas são recorrentes:
- A fragilidade diante de falhas (perder horas ou dias de treino por queda de nó);
- O uso ineficiente de clusters de GPU, que gera ociosidade e aumenta o custo por experimento.
O mecanismo de treinamento sem checkpoints do HyperPod ataca diretamente esse cenário, oferecendo preservação contínua de estado e recuperação ponto a ponto, sem reorquestrar todo o fluxo de trabalho. Em termos objetivos, isso significa tolerância a falhas em minutos, menor tempo de inatividade e ciclos de desenvolvimento de modelos mais curtos.
Já o treinamento elástico introduz adaptação dinâmica à disponibilidade de recursos. Integrado ao plano de controle do Kubernetes e a operadores específicos do HyperPod, o sistema expande ou contrai o número de réplicas de dados conforme oferta de GPU e prioridade de outras cargas (como inferência), preservando parâmetros importantes de convergência, como tamanho global de batch e ajustes da taxa de aprendizado.
Do ponto de vista de FinOps, isso muda a lógica de uso de GPU: menos ociosidade, mais experimentos por unidade de tempo e maior previsibilidade de custo em projetos de IA mais pesados. Para empresas que avaliam treinos de modelos especializados ou extensões significativas de modelos de base, esse tipo de capacidade pode ser o fator decisivo entre um projeto viável e um orçamento inviável.
Para a Dati, que já opera iniciativas de otimização de custos em ambientes AWS, o HyperPod se encaixa como componente estratégico: não é apenas sobre treinar mais rápido, é sobre desenhar ciclos de experimentação robustos sob uma disciplina explícita de custo.
Uma arquitetura de referência para raciocínio avançado na AWS
Vistas em conjunto, essas três frentes compõem uma arquitetura de referência para raciocínio avançado aplicado ao negócio na AWS, organizada em três camadas:
- Camada de personalização: Amazon SageMaker AI com personalização serverless, viabilizando modelos especializados por domínio com menos atrito operacional e mais padrão nos experimentos.
- Camada de alinhamento permanente: Amazon Bedrock com ajuste fino por reforço, fechando o ciclo entre uso real, feedback e evolução do modelo, usando funções de recompensa como instrumento de governança.
- Camada de treinamento em escala: Amazon SageMaker HyperPod, com treinamento sem checkpoints e treinamento elástico, reduzindo risco e custo de projetos de maior porte em GPU.
A Dati, como parceira AWS com atuação consolidada em cloud, dados e GenAI, se posiciona justamente na interseção dessas camadas. Com casos concretos em logística, mídia, varejo e BI, a empresa já vinha operando arquiteturas próximas a esse modelo, muitas vezes compondo peças de forma artesanal.
Com os novos recursos, a Dati passa a desenhar soluções com:
- Modelos sob medida para processos como validação de entregas, curadoria editorial, recomendações, suporte interno e análise de dados;
- Loops de feedback integrados a métricas de negócio, capturando eventos de produção, logs e avaliações qualitativas como insumo de re-treino;
- Infraestrutura de IA dimensionada com disciplina de FinOps, tratando GPU, inferência e pipelines de experimentação como ativos estratégicos e não como centros de custo opacos.
Os anúncios apresentados no AWS re:Invent 2025 sinalizam um movimento claro: a plataforma AWS deixa de ser apenas um repositório de modelos poderosos e se afirma como um ecossistema completo para raciocínio avançado aplicado a processos específicos de negócio.
A personalização serverless no SageMaker AI, o ajuste fino por reforço no Amazon Bedrock e os recursos de treinamento sem checkpoints e treinamento elástico no SageMaker HyperPod não são peças isoladas. Juntos, eles formam uma base para que organizações construam, alinhem e operem modelos especializados com velocidade, governança e eficiência de custos.
Nesse cenário, o papel da Dati como parceira estratégica de AWS ganha ainda mais relevância. Com expertise em arquitetura de nuvem, dados, GenAI, MLOps e FinOps, e experiência em setores como logística, mídia, varejo e inteligência de negócios, a Dati atua como facilitadora da transição entre o uso oportunista de GenAI e a construção de uma capacidade organizacional de IA aplicada ao negócio.
Em última instância, a pergunta central para empresas que operam na AWS deixa de ser “qual modelo usar?” e passa a ser:
“Como estruturar um ambiente em que modelos e agentes aprendem continuamente com o negócio, sob governança e com resultados de negócio claros e mensuráveis?”
Os recursos anunciados no re:Invent 2025, combinados com um parceiro com visão de arquitetura e execução como a Dati, oferecem um caminho concreto para responder a essa pergunta de forma estratégica.
