GS Caltex reduziu de uma semana para algumas horas o tempo de colocar modelos de ML em produção
Modelos montados por especialistas costumam esperar semanas até que engenheiros os coloquem em um sistema de produção. A GS Caltex automatizou essa passagem a partir da ferramenta no-code AWS SageMaker Canvas: agora a implantação de um modelo leva algumas horas, em vez de cerca de uma semana. As previsões são calculadas em lotes a cada 30 minutos, o que dispensa manter o servidor ligado 24 horas por dia. Se os modelos são construídos por tecnólogos e não por programadores, essa ponte economiza dias de trabalho dos engenheiros.
Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Imagine uma fábrica em que um tecnólogo ajusta por meses os parâmetros de um processo e, por fim, obtém um modelo que prevê bem o indicador desejado. Aí começa a parte mais maçante: transformar o modelo em uma tarefa que roda sozinha, em agenda, com dados novos. Normalmente essa etapa consome mais tempo do que o treinamento. A GS Caltex, empresa sul-coreana do setor de energia e petroquímica, descreveu no blog da AWS como reduziu esse prazo de cerca de uma semana para algumas horas.
Uma explicação rápida dos termos. Modelo de ML aqui é um programa de previsão já treinado. Colocar em produção significa levar esse programa do ambiente experimental para o sistema em operação. O SageMaker Canvas é a ferramenta visual da AWS na qual o modelo é montado sem código. O SageMaker Pipelines é o serviço que encadeia as etapas de processamento de dados e de previsão em um pipeline automático. Foram essas duas ferramentas que a empresa conectou.
Quem faz o quê
A GS Caltex dividiu os papéis de acordo com os pontos fortes de cada grupo. Os tecnólogos trabalham no Canvas: preparam os dados pelo editor visual Data Wrangler, treinam o modelo e avaliam o quanto as previsões são confiáveis. Eles conhecem o processo, as variáveis e os dados reais. Os engenheiros de ML pegam os resultados prontos e os transformam em tarefas de produção: mantêm as versões dos modelos, o histórico de execuções e o tratamento de falhas.
O gargalo estava na passagem entre os dois. Transferir recursos do Canvas para o Pipelines era feito à mão: escrever os caminhos dos dados em produção, repassar a configuração do modelo, ligar as tarefas de pré-processamento e de previsão. A GS Caltex automatizou essa transferência e reaproveita tudo o que o tecnólogo já validou. Segundo a empresa, os engenheiros de ML agora publicam os modelos em algumas horas. Antes levava cerca de uma semana.
Como o pipeline funciona
O esquema tem duas partes. A primeira é executada quando sai uma nova versão do modelo. O engenheiro obtém do Canvas o arquivo de pré-processamento e o próprio modelo, confere os formatos dos dados e os resultados das previsões, aprova o modelo no Model Registry e o implanta. A segunda parte roda continuamente: o Amazon EventBridge dispara, em agenda, um pipeline de cinco etapas.
- PrepareInput adiciona aos dados uma coluna com o indicador-alvo preenchido com um valor fictício (placeholder), caso ela não exista;
- PreprocessNewData aplica aos dados o mesmo pré-processamento que o tecnólogo validou;
- DropTargetColumn remove o placeholder e o cabeçalho do CSV;
- BatchPredict executa a previsão em lote com o modelo aprovado;
- AssembleResults monta o CSV final a partir dos dados preparados e das previsões.
O placeholder existe por um motivo simples. O fluxo de processamento foi montado com dados de treinamento, nos quais o desfecho conhecido está presente. Nos dados novos esse desfecho, por definição, não existe, mas o fluxo continua esperando essa coluna. Os autores fazem uma ressalva: o truque funciona apenas se o placeholder não afetar os valores das variáveis. Se o fluxo filtra linhas pelo indicador-alvo, constrói variáveis a partir dele ou aplica target encoding, é preciso um ajuste específico.
A previsão é feita em lotes a cada 30 minutos, ou seja, 48 execuções por dia. Entre uma execução e outra não é preciso manter um endpoint funcionando o tempo todo, isto é, um servidor à espera de requisições. A empresa diz que isso reduziu bastante os custos de inferência, mas não divulga valores concretos. Para tarefas que exigem resposta imediata, o modo em lote não serve.
Armadilhas
Os autores listam com franqueza os pontos em que é possível tropeçar:
- Caminho fixo de entrada. A etapa PrepareInput grava os dados no local definido dentro do arquivo .flow. Um parâmetro do pipeline não substitui esse caminho por conta própria. Para isolar cada execução é preciso uma etapa que atualize o caminho em uma cópia do arquivo. Execuções com o mesmo caminho de entrada não devem se sobrepor.
- A aprovação do modelo não é verificada automaticamente. O Model Registry guarda o status, mas não bloqueia a previsão. A verificação precisa ser feita no código de implantação, e, ao revogar uma aprovação, os agendamentos devem ser atualizados.
- Parâmetros aprendidos. Escalonamento e codificação definidos no treinamento não podem ser recalculados a cada novo lote. Convém fixar a versão da imagem do contêiner.
- Verificação de correspondência. Compare colunas, tipos de dados e valores após o processamento no Canvas e em produção, usando a mesma entrada.
O que levar disso
A lição vai além de uma pilha da AWS. Se os modelos são construídos por especialistas de domínio, o valor está em uma ponte padronizada entre a ferramenta deles e a produção, e não em mais uma ferramenta. A implementação de referência está no GitHub e foi construída sobre um exemplo de modelo de classificação de crédito, por isso a configuração terá de ser adaptada aos seus formatos de entrada e saída. Ao estimar a economia, considere a cadeia inteira, e não apenas o custo do servidor: pré-processamento, inicialização de instâncias, previsão, armazenamento no S3 e logs.
- 21 de nov. de 2026AG-UI 1.0 dá aos agentes de IA uma linguagem única para falar com o aplicativo: 31 tipos de eventos
- 21 de nov. de 2026OpenAI lança o ChatGPT Wallet: agentes compram sem nunca ver o número do cartão
- 21 de nov. de 2026Anunciantes dos EUA gastaram US$ 70,7 milhões em anúncios no ChatGPT em outubro, 127% a mais que em abril
- 21 de nov. de 2026ONNX Runtime some do GitHub: Microsoft oculta repositórios após comprometimento de pacote
Perguntas frequentes sobre a notícia
O que se sabe sobre Quem faz o quê?
A GS Caltex dividiu os papéis de acordo com os pontos fortes de cada grupo. Os tecnólogos trabalham no Canvas: preparam os dados pelo editor visual Data Wrangler, treinam o modelo e avaliam o quanto as previsões são confiáveis. Eles conhecem o processo, as variáveis e os dados reais. Os engenheiros de ML pegam os resultados prontos e os transformam em tarefas de produção: mantêm as versões dos modelos, o histórico de execuções e o tratamento de falhas. O gargalo estava na passagem entre os dois.
Como o pipeline funciona?
O esquema tem duas partes. A primeira é executada quando sai uma nova versão do modelo. O engenheiro obtém do Canvas o arquivo de pré-processamento e o próprio modelo, confere os formatos dos dados e os resultados das previsões, aprova o modelo no Model Registry e o implanta. A segunda parte roda continuamente: o Amazon EventBridge dispara, em agenda, um pipeline de cinco etapas.
O que se sabe sobre Armadilhas?
Os autores listam com franqueza os pontos em que é possível tropeçar: Caminho fixo de entrada. A etapa PrepareInput grava os dados no local definido dentro do arquivo .flow. Um parâmetro do pipeline não substitui esse caminho por conta própria. Para isolar cada execução é preciso uma etapa que atualize o caminho em uma cópia do arquivo. Execuções com o mesmo caminho de entrada não devem se sobrepor. A aprovação do modelo não é verificada automaticamente.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.