Questões de prova AWS MLA-C02 e guia do exame (Beta)
10 questões originais de prática do MLA-C02 (AWS Certified Machine Learning Engineer Associate), fatos do exame beta, os quatro domínios e mudanças do MLA-C01.
Neste artigo
- Fatos do exame MLA-C02 em resumo
- Domínio 1: Data Preparation for ML and AI
- Domínio 2: ML Model and Foundation Model (FM) Development
- Domínio 3: Deployment and Orchestration of ML and AI Workflows
- Domínio 4: Operating, Monitoring, and Securing ML and AI Solutions
- O que mudou do MLA-C01 para o MLA-C02
- Como se autoavaliar
- Como estas questões foram escritas
- Pratique mais questões do MLA-C02
O MLA-C02 é a versão atualizada da prova AWS Certified Machine Learning Engineer - Associate, e a AWS a está aplicando como beta neste momento. Abaixo estão 10 questões originais de prática nos quatro domínios, com respostas e explicações, seguidas dos fatos do beta e do que mudou em relação ao MLA-C01.
Pontos principais
- O MLA-C02 testa engenharia de ML na AWS: pipelines de dados, treinamento, implantação, monitoramento e segurança, tanto para ML tradicional quanto para modelos de fundação.
- Três dos quatro domínios pesam 24% cada; a preparação de dados pesa 28%.
- É uma prova associate. A AWS recomenda pelo menos 1 ano de experiência prática com SageMaker AI e Bedrock.
Fatos do exame MLA-C02 em resumo
Os fatos vêm da página de certificação da AWS e do guia do exame MLA-C02, conferidos em 2026-11-02. Mais detalhes e um plano de estudos estão na nossa página de preparação para o MLA-C02. Para um cronograma semana a semana, veja como estudar para o MLA-C02.
| Fato | Valor oficial |
|---|---|
| Status | Beta; data de disponibilidade geral a anunciar |
| Formato do beta | 85 questões, 170 minutos, múltipla escolha e resposta múltipla |
| Preço do beta | 75 USD |
| Idioma | Apenas inglês durante o beta |
| Nota de aprovação (guia do exame) | 720 em uma escala de 100-1.000 |
| Validade | 3 anos |
| Domínio | Peso | Questões abaixo |
|---|---|---|
| 1. Data Preparation for ML and AI | 28% | 1-3 |
| 2. ML Model and Foundation Model (FM) Development | 24% | 4-5 |
| 3. Deployment and Orchestration of ML and AI Workflows | 24% | 6-7 |
| 4. Operating, Monitoring, and Securing ML and AI Solutions | 24% | 8-10 |
Domínio 1: Data Preparation for ML and AI
Questão 1
Uma equipe treina um modelo com um conjunto de dados em que 98% dos exemplos pertencem a uma classe. O modelo atinge 98% de acurácia, mas nunca detecta a classe rara. O que ela deve fazer primeiro?
- A. Informar os 98% de acurácia como resultado
- B. Tratar o desequilíbrio de classes, por exemplo com reamostragem, e avaliar com precisão e recall
- C. Remover a classe rara dos dados
- D. Reduzir o número de atributos para um
Resposta: B. A acurácia esconde a falha em dados desbalanceados. Reequilibrar (superamostrar a classe rara ou subamostrar a comum) e julgar por precisão, recall ou F1 dá um retrato fiel.
- A está errada porque um modelo que sempre prevê a classe majoritária também atinge 98%.
- C está errada porque a classe rara costuma ser a que importa.
- D está errada porque menos atributos não resolvem o desequilíbrio.
Questão 2
Uma cientista de dados quer reutilizar os mesmos atributos criados para o treinamento e para previsões online de baixa latência, sem implementá-los duas vezes. Qual abordagem serve?
- A. Guardar os atributos em um feature store central, como o Amazon SageMaker Feature Store
- B. Enviar por e-mail as definições dos atributos para a equipe da aplicação
- C. Recalcular os atributos à mão em cada notebook
- D. Guardar os atributos apenas em arquivos CSV locais
Resposta: A. Um feature store mantém uma definição governada de cada atributo e a serve tanto para o treinamento offline quanto para a inferência online, o que evita o training-serving skew.
- B, C e D estão erradas porque duplicam a lógica, que é como os atributos de treinamento e de serviço se afastam.
Questão 3
Uma equipe cria uma aplicação RAG e precisa preparar documentos da empresa para que um modelo recupere passagens relevantes. Qual etapa faz parte dessa preparação?
- A. Dividir os documentos em trechos (chunks) e criar embeddings guardados em um vector store
- B. Apagar todos os documentos com mais de uma página
- C. Converter cada documento em imagem
- D. Treinar um modelo novo do zero para cada documento
Resposta: A. A preparação para RAG divide os documentos em trechos, transforma os trechos em embeddings e os guarda em um vector store para que passagens semelhantes sejam recuperadas na hora da consulta. Veja o que é RAG.
- B, C e D estão erradas porque destroem conteúdo, perdem texto ou são caras sem necessidade.
Domínio 2: ML Model and Foundation Model (FM) Development
Questão 4
Uma equipe tem um conjunto pequeno de dados rotulados e precisa de um classificador de imagens rapidamente. Treinar do zero dá resultados ruins. Qual é a abordagem mais eficaz?
- A. Usar transfer learning a partir de um modelo pré-treinado e fazer o fine-tuning com os dados rotulados
- B. Não coletar mais dados e treinar por mais tempo
- C. Usar um modelo de regressão linear
- D. Atribuir rótulos ao acaso
Resposta: A. O transfer learning reaproveita atributos que um modelo aprendeu em um grande conjunto de dados, então um conjunto pequeno de rótulos basta para adaptá-lo.
- B está errada porque treinar por mais tempo com poucos dados tende a causar overfitting.
- C está errada porque a regressão prevê números, não classes de imagem.
- D está errada porque rótulos aleatórios não ensinam nada.
Questão 5
Uma empresa quer comparar dois modelos de fundação em uma tarefa de resumo. Qual é a abordagem de avaliação mais adequada?
- A. Rodar os dois modelos nos mesmos prompts de teste representativos e comparar os resultados com métricas definidas ou com avaliação humana ou baseada em modelo
- B. Escolher o modelo com o nome mais longo
- C. Avaliar apenas nos prompts de treinamento de um dos modelos
- D. Pular a avaliação porque ambos são modelos de fundação
Resposta: A. Avalie em um conjunto fixo e representativo, com critérios claros. Métricas automáticas, revisores humanos ou um modelo avaliador podem ser usados, de preferência juntos.
- B, C e D estão erradas porque não são avaliações válidas ou favorecem um dos modelos.
Domínio 3: Deployment and Orchestration of ML and AI Workflows
Questão 6
Um modelo recebe tráfego imprevisível, com longos períodos ociosos, e as requisições toleram uma partida a frio curta. Qual opção de implantação minimiza o custo?
- A. Um endpoint de inferência serverless
- B. Um grande endpoint em tempo real sempre ligado, com muitas instâncias
- C. Uma instância de GPU dedicada rodando 24/7 sem tráfego
- D. Retreinar o modelo a cada requisição
Resposta: A. A inferência serverless escala a zero quando ociosa e cobra pelo uso, o que combina com tráfego intermitente que aceita partidas a frio.
- B e C estão erradas porque pagam por capacidade ociosa.
- D está errada porque a inferência não exige retreinamento.
Questão 7
Uma equipe quer que toda alteração no código de treinamento dispare automaticamente testes, um pipeline de treinamento e uma etapa de model registry. O que ela deve montar?
- A. Um pipeline de CI/CD integrado a um pipeline de ML e a um model registry
- B. Uma checklist manual semanal
- C. Uma planilha compartilhada com as versões do modelo
- D. Um único notebook que todos editam
Resposta: A. O MLOps automatiza as etapas de build, teste, treinamento, registro e implantação para que os lançamentos sejam repetíveis e auditáveis.
- B, C e D estão erradas porque são manuais e sujeitas a erro.
Domínio 4: Operating, Monitoring, and Securing ML and AI Solutions
Questão 8
A acurácia de um modelo implantado cai aos poucos porque o comportamento dos clientes mudou desde o treinamento. Como isso se chama e o que deve ser configurado?
- A. Data drift; monitorar as distribuições de entrada e de previsão e acionar o retreinamento
- B. Overfitting; adicionar mais camadas
- C. Underfitting; reduzir os dados
- D. Latência; adicionar mais armazenamento
Resposta: A. Os dados de produção se afastando dos dados de treinamento é drift. O monitoramento (por exemplo, com o SageMaker Model Monitor) o detecta para que você possa retreinar.
- B e C estão erradas porque descrevem problemas de ajuste na fase de treinamento.
- D está errada porque a latência é sobre velocidade, não sobre acurácia.
Questão 9
Um job de treinamento no SageMaker AI precisa ler dados de um bucket do S3. Qual abordagem segue a segurança de privilégio mínimo?
- A. Anexar ao job um IAM role que dê acesso apenas àquele bucket e prefixo
- B. Embutir chaves de acesso de longa duração no código de treinamento
- C. Tornar o bucket público
- D. Dar ao job acesso de administrador
Resposta: A. Um execution role com permissões bem restritas fornece credenciais temporárias e limita o dano de qualquer erro.
- B está errada porque chaves fixas no código vazam com facilidade.
- C e D estão erradas porque dão muito mais acesso do que o necessário.
Questão 10
Uma empresa precisa que o tráfego entre sua VPC e seus endpoints de modelo não passe pela internet pública. Qual opção ajuda?
- A. Usar VPC interface endpoints (AWS PrivateLink) para o serviço
- B. Colocar a URL do endpoint em um site público
- C. Desativar a criptografia
- D. Abrir todas as portas do security group
Resposta: A. Os interface VPC endpoints mantêm o tráfego na rede da AWS, em combinação com security groups e criptografia.
- B, C e D estão erradas porque aumentam a exposição.
O que mudou do MLA-C01 para o MLA-C02
A AWS publica uma comparação entre o MLA-C01 e o MLA-C02. Em resumo, a prova atualizada inclui modelos de fundação e IA generativa ao lado do ML tradicional, incluindo fluxos agênticos. O MLA-C01 em inglês deixou de estar disponível após 28 de setembro de 2026 (segundo a AWS). As certificações que você já obteve continuam válidas pelo prazo completo.
Como se autoavaliar
- 9-10 acertos: passe para simulados completos e cronometrados e revise os domínios do guia do exame.
- 6-8 acertos: releia as descrições de tarefas dos domínios em que você errou.
- 5 ou menos: esta prova pressupõe experiência prática com SageMaker AI e Bedrock. Se você está no começo do caminho, faça antes o AWS AI Practitioner (AIF-C01). Veja qual certificação de IA fazer primeiro.
Como estas questões foram escritas
A TokIQ Editorial escreveu estas questões a partir dos domínios e das áreas de tarefas do guia do exame MLA-C02. Elas não são questões reais da prova. Os fatos do exame foram conferidos em 2026-11-02, e os detalhes do beta podem mudar. O TokIQ é um app de prática independente, não afiliado nem endossado pela Amazon Web Services.
Pratique mais questões do MLA-C02
O TokIQ (no Google Play, em breve para iPhone) tem um modo de preparação para o MLA-C02 (beta) com uma sessão diária curta, repetição espaçada, um índice de preparo por domínio, simulados e explicações no seu idioma.
Perguntas frequentes
O que é o MLA-C02?
O MLA-C02 é a versão atualizada da prova AWS Certified Machine Learning Engineer - Associate. Cobre ML tradicional e modelos de fundação: preparação de dados, desenvolvimento de modelos, implantação e orquestração, e operação e proteção de soluções de ML e IA (guia do exame da AWS, conferido em 2026-11-02).
O MLA-C02 ainda é uma prova beta?
Em 2026-11-02, a página de certificação da AWS diz que as inscrições para o beta do MLA-C02 estão abertas: 85 questões, 170 minutos, preço beta de 75 USD, apenas em inglês. A data de disponibilidade geral não foi anunciada.
Qual é a nota de aprovação do MLA-C02?
O guia do exame informa uma nota escalonada de 100-1.000, com nota mínima de aprovação de 720. O guia observa que a designação de aprovado ou reprovado não se aplica à versão beta, e a pontuação é compensatória, ou seja, você passa na prova como um todo, não em cada domínio.
O MLA-C02 é mais difícil do que a prova AI Practitioner?
Ele mira outro nível. O AIF-C01 é básico e trata de escolher o serviço de IA certo. O MLA-C02 é uma prova associate para quem tem pelo menos 1 ano de experiência com Amazon SageMaker AI, Amazon Bedrock e outros serviços de ML da AWS, então espere cenários de engenharia mais práticos.
Estas são questões reais da prova MLA-C02?
Não. A TokIQ Editorial escreveu as 10 a partir do guia público do exame. A AWS mantém o conteúdo da prova confidencial, então conjuntos vendidos como questões reais são um risco, não um atalho.
- #MLA-C02
- #AWS Machine Learning Engineer Associate
- #questões de prática
- #preparação para certificação