AI on AWS: da Migração à Construção de Agentes com Amazon Bedrock IA na prática
Workshop Hands-on
Oi, eu sou o Diego
Techlead AI & Data · DreamSquad
Tech Lead IA & Dados na DreamSquad
Lidero as squads de IA e Dados: visão computacional, RAG e agentes rodando na AWS para clientes enterprise.
Mestre em Ciência da Computação pela UFU
Foco em Inteligência Artificial: predição de séries temporais do mercado financeiro.
14+ anos passando por toda a tecnologia
Comecei em infraestrutura e automação, passei por backend, fullstack, cloud, IoT e dados até chegar em IA.
Da estratégia ao agente rodando
A sessão anterior respondeu “onde”. Esta responde “o quê” e “como”.
Por que e como trazer IA para a AWS
Visão geral dos serviços, governança e o caminho para migrar workloads para o Bedrock.
O que dá pra fazer com isso
Casos de uso reais com Bedrock, SageMaker, Kiro e Amazon Quick — e como escolher.
Um agente rodando na sua conta
Construímos juntos, passo a passo, um agente com Amazon Bedrock.
90 minutos, menos slide e mais prática
Casos de uso reais
Quatro ferramentas, seis cenários e um jeito simples de escolher por onde começar.
Workshop hands-on
Do “hello world” ao agente com ferramentas, base de conhecimento e guardrails.
Levar pra casa
O que separa um piloto de algo em produção — e o próximo passo de cada um.
Casos de uso reais de IA na AWS
Bedrock, SageMaker, Kiro e Amazon Quick em cenários de verdade
"A pergunta não é qual modelo usar. É qual problema vale resolver primeiro."
Quatro ferramentas, quatro públicos
Antes do caso de uso, saber quem vai usar define a ferramenta
Amazon Bedrock
Times de produto e engenhariaModelos de fundação via API, bases de conhecimento, guardrails e agentes (AgentCore).
Use quando: Você quer embutir IA generativa no seu produto ou processo.
Amazon SageMaker
Cientistas e engenheiros de dadosTreinar, ajustar e operar modelos próprios — do ML clássico ao fine-tuning.
Use quando: O diferencial está nos seus dados e o problema é previsão, classificação ou otimização.
Kiro
DesenvolvedoresIDE agêntica: specs, design e tarefas antes do código, com agentes executando.
Use quando: Você quer acelerar a engenharia — inclusive modernizar legado — sem perder controle.
Amazon Quick
Áreas de negócioAgentes, pesquisa e BI conversacional sobre os dados e apps da empresa.
Use quando: O usuário final é o analista ou gestor, não um sistema.
Do assistente ao agente
Cada degrau adiciona autonomia — e também custo, latência e risco
Assistente
Prompt + modelo. Resume, redige, classifica.
Bedrock · Converse APIRAG
Responde com base nos seus documentos, citando a fonte.
Bedrock Knowledge BasesWorkflow
Passos fixos orquestrados pelo código, com IA em alguns deles.
Step Functions · Bedrock FlowsAgente
O modelo decide quais ferramentas chamar até cumprir o objetivo.
Strands · AgentCoreMultiagente
Agentes especialistas colaborando sob um orquestrador.
Strands · AgentCoreRegra prática: suba só o degrau que o problema exige. Muito “agente” em produção deveria ser um workflow.
Onde a IA já está gerando resultado
Agente de suporte
Responde dúvidas com base em políticas e consulta pedidos, faturas e chamados.
Bedrock · Knowledge Bases · Guardrails · AgentCoreDocumentos inteligentes
Extrai e valida dados de contratos, notas, laudos e propostas.
Bedrock Data Automation · BedrockDados em linguagem natural
Gestor pergunta, recebe resposta, gráfico e a fonte do número.
Amazon QuickPrevisão e otimização
Demanda, churn, risco e preço — onde ML clássico ainda vence.
SageMakerModernização de legado
Specs e tarefas geradas a partir do código existente, com agentes implementando.
Kiro · BedrockCopiloto interno
Busca unificada em wikis, tickets e drives com controle de acesso.
Amazon Quick · Bedrock Knowledge BasesAgente de atendimento
Problema
Fila alta com perguntas repetidas que dependem de consultar 2–3 sistemas.
Solução
Agente que responde com a política oficial e age nos sistemas via ferramentas — e escala para humano quando precisa.
O que medir
Taxa de resolução sem humano, tempo médio de atendimento, CSAT e custo por conversa.
Documentos inteligentes
Problema
Pessoas redigitando dados de PDFs e imagens, com erro e retrabalho.
Solução
Pipeline orientado a eventos: extrai campos, valida regras de negócio e só manda para revisão humana o que tiver baixa confiança.
O que medir
Precisão por campo, % processado sem toque humano e tempo de ciclo.
O que já colocamos em produção
[Caso real 1]
Antes: [Como era antes]
Depois: [Resultado medido]
[Caso real 2]
Antes: [Como era antes]
Depois: [Resultado medido]
[Caso real 3]
Antes: [Como era antes]
Depois: [Resultado medido]
Quatro perguntas para escolher o caminho
Quem é o usuário final?
Área de negócio → Amazon Quick. Sistema ou cliente → Bedrock. Desenvolvedor → Kiro.
A resposta depende dos seus documentos?
Sim → comece com RAG (Knowledge Bases) antes de pensar em fine-tuning.
É previsão sobre dados tabulares?
Provavelmente é ML clássico → SageMaker. LLM não é martelo pra todo prego.
O caminho é sempre o mesmo?
Sim → workflow. Não, depende do contexto → agente.
O que separa o piloto da produção
A demo funciona em uma tarde. Produção exige estes cinco pilares.
Avaliação
Um conjunto de perguntas com resposta esperada, rodado a cada mudança de prompt ou modelo.
Guardrails
Filtros de conteúdo, PII e tópicos negados — aplicados na entrada e na saída.
Observabilidade
Trace de cada passo do agente: qual ferramenta, quanto tempo, quantos tokens.
Identidade e acesso
O agente age em nome de alguém — com o menor privilégio possível.
Custo por resultado
Custo por conversa resolvida, não por token. Escolha o menor modelo que entrega.
Construa seu primeiro agente com Amazon Bedrock
Do zero a um agente com ferramentas, conhecimento e guardrails
Abra o terminal. A partir daqui, quem digita é você.
O DreamStore Agent
O assistente de atendimento de uma loja fictícia — o Caso 1, em miniatura
Conversa
Modelo + instruções de persona.
Age
Ferramenta que consulta pedidos.
Sabe
Base de conhecimento com as políticas.
Protege e publica
Guardrail e deploy no AgentCore.
Anatomia de um agente
Agente = modelo + ferramentas, rodando em loop até cumprir o objetivo
Modelo
O cérebro. Decide o próximo passo a cada volta do loop.
Instruções
Quem o agente é, o que pode e o que não pode fazer.
Ferramentas
Funções e APIs que ele pode chamar para agir no mundo.
Conhecimento
Documentos recuperados na hora certa (RAG).
Memória
O que lembrar da conversa — e entre conversas.
Guardrails
Limites que valem mesmo quando o prompt falha.
A stack de hoje
Prefere sem código? Bedrock Agents no console faz o mesmo de forma gerenciada.
Strands Agents
SDK open-source da AWS: você define modelo, prompt e ferramentas; o loop é dele.
Amazon Bedrock
Claude, Amazon Nova, Llama, Mistral e outros — trocar de modelo é trocar um ID.
Bedrock AgentCore
Runtime serverless, Memory, Gateway, Identity e Observability para qualquer framework.
Prepare o ambiente
Uma conta AWS e acesso ao modelo — nada além disso
Conta AWS
Cada participante com sua conta do workshop, já com as permissões certas.
Acesso ao modelo
Modelos de fundação são habilitados por conta no console do Bedrock.
No mundo real
Esse é o primeiro passo de governança: quem pode usar qual modelo, em qual região.
Hello, agente
Modelo + instruções. Ainda é “só” um chatbot.
Modelo
O raciocínio vem do Bedrock — e trocar de modelo não muda o resto da solução.
Instruções
Persona, tom e regras: “você é o atendente da DreamStore”.
O limite
Pergunte por um pedido: ele inventa ou admite que não sabe. Falta acesso aos sistemas.
Dê ferramentas a ele
Agora o agente decide sozinho quando agir
Ferramenta
Uma consulta de pedidos que o agente pode chamar quando achar necessário.
O loop
O modelo pede a ferramenta, recebe o resultado e só então responde.
No mundo real
A ferramenta é o seu ERP, CRM ou sistema de chamados — exposto com segurança.
Dê conhecimento a ele
RAG como mais uma ferramenta
Knowledge Base
Os PDFs de política vão para o S3; o Bedrock indexa e busca o trecho certo.
Resposta com fonte
O agente cita de onde tirou a informação — e diz quando não sabe.
A combinação
“Posso trocar meu pedido?” exige a data de entrega (sistema) e o prazo de troca (política).
Coloque limites
Bedrock Guardrails: regras fora do prompt
Tópicos negados
Ex.: recomendação de investimento ou assuntos fora da loja.
Dados sensíveis
Bloqueia ou mascara CPF, e-mail e telefone — na entrada e na saída.
Por que fora do prompt?
Prompt é sugestão; guardrail é política. Vale para qualquer modelo.
Publique no AgentCore
Do notebook para um endpoint seguro e escalável
Runtime serverless
Sessões isoladas, escala automática e cobrança pelo uso.
Sem reescrever
O mesmo agente do passo 4, agora atrás de uma API pronta para os canais.
Observabilidade
Cada passo do agente rastreado: ferramenta chamada, tempo e tokens.
O que você acabou de construir
A mesma arquitetura do Caso 1 — só que com dados de mentira
Próximos passos técnicos
Memory
Lembrar o cliente entre conversas.
Gateway
APIs e Lambdas viram ferramentas MCP.
Identity
Agir em nome do usuário com OAuth.
Multiagente
Especialistas sob um orquestrador.
Três ideias para segunda-feira
Comece pelo problema
Escolha um processo com dor clara e métrica de antes. O modelo é detalhe.
Suba só o degrau necessário
Assistente, RAG, workflow ou agente — o mais simples que resolve.
Produção é engenharia
Avaliação, guardrails, observabilidade e custo por resultado desde o dia 1.
Obrigado.
Bora pro Q&A — traga o seu caso de uso