Ir para o conteúdo
TokIQ
Aprendizado

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.

TokIQ Editorial8 min de leitura
Neste artigo
  1. Fatos do exame MLA-C02 em resumo
  2. Domínio 1: Data Preparation for ML and AI
  3. Domínio 2: ML Model and Foundation Model (FM) Development
  4. Domínio 3: Deployment and Orchestration of ML and AI Workflows
  5. Domínio 4: Operating, Monitoring, and Securing ML and AI Solutions
  6. O que mudou do MLA-C01 para o MLA-C02
  7. Como se autoavaliar
  8. Como estas questões foram escritas
  9. 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.

FatoValor oficial
StatusBeta; data de disponibilidade geral a anunciar
Formato do beta85 questões, 170 minutos, múltipla escolha e resposta múltipla
Preço do beta75 USD
IdiomaApenas inglês durante o beta
Nota de aprovação (guia do exame)720 em uma escala de 100-1.000
Validade3 anos
DomínioPesoQuestões abaixo
1. Data Preparation for ML and AI28%1-3
2. ML Model and Foundation Model (FM) Development24%4-5
3. Deployment and Orchestration of ML and AI Workflows24%6-7
4. Operating, Monitoring, and Securing ML and AI Solutions24%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

Agora pratique

O TokIQ transforma prompt engineering em quizzes curtos, com uma explicação para cada resposta.

Em breve naApp StoreDisponível noGoogle Play

Escreva prompts melhores, com algumas questões por dia.

Quizzes curtos sobre decisões reais de prompting, com uma explicação para cada resposta. Grátis para começar no iPhone e no Android.

Em breve naApp StoreDisponível noGoogle Play