IaFoco
Voltar para o blog
HuggingFace

AWS AI League: Como a Atos aprimora a educação em IA com aprendizado prático e gamificado

17 de março de 2026
21:35
Amazon SageMaker AIArtificial IntelligencePartner solutions
AWS AI League: Como a Atos aprimora a educação em IA com aprendizado prático e gamificado

A AWS AI League é uma iniciativa que visa transformar o aprendizado em inteligência artificial (IA) por meio de uma abordagem prática e gamificada, e a Atos, parceira da AWS, utilizou essa plataforma para aprimorar sua estratégia de capacitação em IA. Este artigo detalha o método aplicado, os passos para participar, as tecnologias envolvidas e as lições práticas extraídas dessa experiência, servindo como um guia para organizações que desejam escalar o treinamento em IA com foco em aplicação real.

Contexto e desafio no treinamento em IA

Muitas organizações enfrentam dificuldades para transformar a teoria em prática na capacitação em IA. Cursos online e certificações são úteis, mas não garantem engajamento prolongado nem a experiência necessária para aplicar IA em problemas de negócio. A Atos, com mais de 5.800 certificações AWS e a meta de ter 100% do seu time fluente em IA até 2026, percebeu que faltava uma abordagem que combinasse aprendizagem estruturada com prática real.

O que é a AWS AI League e como ela funciona

A AWS AI League é um programa que combina aprendizado prático com competição gamificada. Seu objetivo é acelerar a aquisição de habilidades aplicadas em IA, especialmente no fine-tuning de grandes modelos de linguagem (LLMs). A proposta é que participantes trabalhem diretamente com ferramentas reais, como Amazon SageMaker e SageMaker JumpStart, para customizar modelos pré-treinados, eliminando a complexidade da infraestrutura e focando no desenvolvimento e avaliação do modelo.

O programa segue três etapas principais:

  1. Workshop imersivo: Introdução aos fundamentos do fine-tuning usando SageMaker JumpStart, que oferece uma interface guiada para acessar modelos pré-treinados, permitindo que os participantes foquem em resultados e comportamento do modelo.

  2. Fase de desenvolvimento intensivo: Times experimentam estratégias variadas de fine-tuning, ajustando composição de dados, técnicas de aumento e hiperparâmetros. Um sistema de avaliação automático alimenta um leaderboard dinâmico, incentivando a experimentação e a melhoria contínua.

  3. Final ao vivo: As equipes melhor ranqueadas apresentam seus modelos em desafios em tempo real. A avaliação combina critérios técnicos (juízes especialistas), métricas automatizadas (LLM-as-a-Judge) e votação do público, promovendo uma visão multidimensional do desempenho.

Fine-tuning na prática: o caso da Atos no setor de seguros

A Atos escolheu um caso de uso realista para o treinamento: o Intelligent Insurance Underwriter, um modelo capaz de analisar cenários complexos de seguros e fornecer orientações de subscrição com explicações detalhadas. O objetivo era que o modelo entendesse riscos, condições de apólice, exclusões e cálculos de prêmios, indo além da fluência linguística genérica.

Para isso, foram usados modelos open source fine-tunados com dados proprietários, integrados via Amazon SageMaker Studio, SageMaker Unified Studio e armazenamento em Amazon S3. O resultado foi um assistente customizado, acessível e eficiente, que aprimora a produtividade e a precisão dos profissionais de seguros.

Passo a passo para o fine-tuning com AWS AI League

  1. Seleção do modelo: Os participantes escolhem um modelo pré-treinado no catálogo do SageMaker JumpStart. Na competição da Atos, foi utilizado o Meta Llama 3.2 3B Instruct, customizado via interface no-code.

  2. Preparação do dataset: Os dados de treinamento, armazenados no Amazon S3, devem estar no formato JSON Lines (JSONL), com campos “Instruction” (prompt) e “Response” (resposta ideal). Para facilitar a criação, a AWS forneceu o aplicativo PartyRock, que oferece uma interface simples para gerar e exportar dados.

  3. Execução do fine-tuning: Configuram-se hiperparâmetros como epochs (número de passagens sobre o dataset), learning rate (taxa de aprendizado) e batch size. O SageMaker gerencia o provisionamento dos recursos, execução e registro do progresso.

  4. Implantação do modelo: Após o treinamento, o modelo pode ser implantado diretamente no SageMaker para inferência ou importado para o Amazon Bedrock, que oferece ambiente gerenciado para produção escalável.

  5. Avaliação e iteração: O sistema LLM-as-a-Judge avalia automaticamente a qualidade, precisão e responsividade dos modelos, alimentando o leaderboard. Os participantes podem ajustar dados e hiperparâmetros para melhorar o desempenho.

Dicas práticas para o sucesso no fine-tuning

  • Qualidade do dataset: Nem sempre maior volume significa melhor resultado. É crucial gerar dados diversos, únicos e relevantes para o domínio. Participantes criaram versões aprimoradas do PartyRock e usaram outras ferramentas de IA generativa para ampliar e diversificar os dados.

  • Ajuste de hiperparâmetros: Testar diferentes configurações de epochs e learning rate ajuda a evitar overfitting, que causa respostas repetitivas e pouco generalizáveis.

  • Iteração constante: O ciclo de testar, avaliar e refinar modelos é essencial. A gamificação, com o leaderboard e a competição, estimula esse processo.

  • Colaboração equilibrada: Canais de comunicação e “office hours” foram usados para troca de informações sem entrega total das soluções, mantendo o desafio e aprendizado.

Resultados e engajamento

Na edição da Atos, 409 participantes criaram mais de 4.100 modelos fine-tunados. A competição virtual foi totalmente automatizada, com o LLM 90B da Llama 3.2 atuando como juiz. O top 5 avançou para a final ao vivo, onde juízes humanos e o público também contribuíram para a avaliação. Para chegar ao topo, era preciso alcançar pelo menos 93% de acurácia contra respostas de um modelo muito maior, comprovando a eficácia do fine-tuning para conhecimento específico.

Limitações e armadilhas a considerar

  • Overfitting é um risco constante e deve ser monitorado cuidadosamente durante o treinamento.

  • A criação de datasets de qualidade demanda tempo e criatividade; ferramentas auxiliares ajudam, mas o controle de qualidade é fundamental.

  • A competição gamificada requer infraestrutura para suportar avaliações automáticas e comunicação eficiente entre participantes.

  • Nem todos os papéis técnicos precisam ser especialistas em machine learning profundo, mas é importante que tenham familiaridade com conceitos básicos e ferramentas.

Links úteis para aprofundamento

A experiência da Atos com a AWS AI League demonstra que é possível escalar o aprendizado em IA com foco em aplicação prática, usando uma combinação de workshops, ferramentas gerenciadas e gamificação para engajar equipes multidisciplinares. Organizações que desejam avançar na transformação digital podem adotar essa abordagem para acelerar a fluência em IA e entregar soluções customizadas e eficazes.