Do Low/No‑Code à Previsão de Estoque na AWS

Bootcamp Nexa – Machine Learning para Iniciantes na AWS (DIO)

Meu resumo estruturado, do conceito ao projeto prático com Amazon SageMaker Canvas.

📌 Sumário

Por que este artigo
Módulo 1 – Introdução ao Desenvolvimento Low‑Code
Módulo 2 – Introdução ao SageMaker Canvas: IA Generativa Sem Código
Módulo 3 – Criando Seu Primeiro Modelo
Módulo 4 – Transformando Dados em Insights
Projeto Prático – Previsão de Estoque com SageMaker Canvas
Métricas do Canvas, explicadas de forma simples
Resultados no Bootcamp
Próximos passos

🎯 Por que este artigo

Registrei aqui o que vi e aprendi no bootcamp, organizando os tópicos por módulo e conectando com um case prático: previsão de estoque. A ideia é servir como guia rápido para quem quer começar com ML no/low‑code na AWS.

🧱 Módulo 1 – Introdução ao Desenvolvimento Low‑Code

Conceito geral

Low‑code e no‑code tornam desenvolvimento acessível para quem não programa: você não precisa partir do zero, usa componentes e widgets pré‑fabricados e foca no fluxo de negócio.
Mesmo em low/no‑code, continua essencial saber modelagem de dados e arquitetura de sistemas.

Tradicional vs Low‑code vs No‑code

Tradicional: máxima flexibilidade, maior tempo/esforço; tudo em código.
Low‑code: equilíbrio; permite extensões em código quando preciso.
No‑code: mais limitado em flexibilidade e personalização de projetos complexos.

Principais plataformas low‑code

Microsoft Power Apps, Salesforce Lightning Platform, OutSystems, Mendix, Appian.

Tendências de mercado

Crescente demanda por apps personalizados.
Integração com tecnologias emergentes (IA generativa, automações).
Colaboração mais próxima entre Negócio e TI.
Automação de processos de negócio.
Expansão para setores não‑tecnológicos.

🤖 Módulo 2 – Introdução ao SageMaker Canvas: IA Generativa Sem Código

Ecossistema Amazon SageMaker

Conjunto de serviços para criar, treinar, avaliar e publicar modelos.

SageMaker Canvas

Interface visual para criar e manipular dados/modelos sem código.
Possibilita comparar e gerar modelos generativos e preditivos.
Traz modelos prontos e datasets de exemplo para exploração.

Amazon Q

Assistente da AWS para acelerar entendimento e configurações.

Domínio do SageMaker

Criação de um domínio para concentrar projetos, usuários e permissões.

🧪 Módulo 3 – Criando Seu Primeiro Modelo

Definição clara do problema.
Criação de modelo customizado no Canvas.
Pipeline básico: importar dados → selecionar alvo → configurar chaves/frequência → treinar → avaliar → prever.

🔎 Módulo 4 – Transformando Dados em Insights

Preparação com IA Generativa

Limpeza de dados e prompts para padronização e enriquecimento.

Treinamento

Execução do treino e acompanhamento do Model Status.

Interpretação & Qualidade

Quick Build: mais rápido, maior margem de erro (bom para rascunho).
Standard Build: leva 1–4h, porém mais preciso (ideal para avaliação final).
Comparação de versões e revisão de indicadores de qualidade.

Apresentação & Decisão

Relatórios de predição e visualizações para suportar decisões.

Previsões em Batch

Geração de arquivos com percentis para planejamento:
P10 (pessimista), P50 (mediano) e P90 (otimista).
Opções de download dos dados com os percentis.

🛠️ Projeto Prático – Previsão de Estoque com SageMaker Canvas

Objetivo

Simular um cenário realista de gestão inteligente de estoque.

Dataset gerado com IA generativa Prompt utilizado (Claude 3):

Atue como um cientista de dados e crie um dataset em formato CSV com no mínimo 500 registros. Gostaria que esse arquivo refletisse o histórico de vendas de produtos com as seguintes colunas: ID_PRODUTO (numerico incremental), DIA (iniciando em 31/12/2023), FLAG_PROMOCAO, QUANTIDADE_ESTOQUE. Nesse sentido, garanta que haja uma diversidade interessante de produtos (pelo menos 25 IDs diferentes por dia) para um sistema de gerenciamento inteligente de estoque. Além disso, garanta que cada produto tenha uma quantidade inicial em estoque que vá decrescendo de maneira variável dia a dia (se tudo for vendido manter o estoque zerado). Na prática, usarei este dataset para treinar um modelo de machine learning.

Fluxo no Canvas

Upload do dataset → 2) Definição do alvo e timestamp → 3) Escolha de chaves de série (ex.: ID_PRODUTO) → 4) Treino (Quick/Standard) → 5) Avaliação → 6) Batch predictions com percentis.

Lições aprendidas

A configuração correta do tipo de problema (séries temporais/regressão) é decisiva.
Qualidade de dados e granularidade mudam completamente a qualidade das previsões.
Percentis P10/P50/P90 ajudam na gestão de risco (estoque de segurança vs ruptura).

📏 Métricas do Canvas, explicadas de forma simples

P10 / P50 / P90: intervalos para planejamento de demanda (pessimista, mediano, otimista).
Avg. wQL (Média da Perda Quantil Ponderada): mede o erro das previsões ponderando importância; quanto menor, melhor.
MAPE (Erro Percentual Médio Absoluto): % média de erro; menor é melhor.
WAPE (Erro Percentual Absoluto Ponderado): como o MAPE, mas ponderando importância/volume de cada item.
RMSE (Raiz do Erro Quadrático Médio): dá mais peso a erros grandes; menor é melhor.
MASE (Erro Escalado Médio Absoluto): compara com um modelo simples; < 1 indica que seu modelo está melhor do que a média histórica.

Dica: para estoque, acompanhe MAPE/WAPE (facilitam leitura em %) e RMSE (penaliza picos). Use P50 para planejamento base e P90 para picos.

🏅 Resultados no Bootcamp

10 cursos concluídos
1 Project Challenge (Previsão de Estoque com Canvas)
1 Code Challenge
Networking com milhares de profissionais e conexão com experts
Mais relevância no Talent Match

Skills certificadas: Machine Learning, AWS, Amazon SageMaker Canvas, Low‑code