Pular para o conteúdo
fernando.moretes.com
BlogEstudosCursosE-booksOpen SourcePodcasts
Loading…
Fernando Azevedo

Arquiteto de TI Especialista

Arquitetura, AWS, IA em produção, sistemas financeiros e FinOps, escritos a partir do que foi operado, com os números.

  • LinkedIn
  • GitHub
  • E-mail

Conteúdo

  • Blog
  • Estudos de arquitetura
  • Cursos
  • E-books
  • Open Source
  • Podcasts
  • Assuntos
  • Trilhas

Ferramentas

  • Well-Architected self-check
  • Arquitetura deste site
  • Números públicos
  • Histórico de estudo

Sobre

  • Comunidade
  • IA Builder
  • Perfil
  • Currículo (CV)
  • Trabalhe comigo
  • Media kit
  • RSS do blog
  • RSS dos estudos
  • Artigos narrados (podcast)
  • llms.txt
  • Termos, privacidade e uso de IA

(c) 2026 Fernando Francisco Azevedo

Assuntos/IA generativa

Agentes de IA em produção

IA generativa

17 conteúdos publicados sobre este assunto: artigos, estudos de arquitetura e guias de repositório.

Artigos· 3

IA & AgentesFinOps para IA Generativa: Dissecando o Padrão de Custo Bedrock no CUR 2.0Com a disponibilização de metadados padronizados do Bedrock no AWS Data Exports, a atribuição de custos de IA generativa deixa de depender de parsing frágil de campos livres e passa a ter estrutura nativa no CUR 2.0. Neste artigo, disseço a anatomia desse padrão, os cenários onde ele resolve o problema de verdade e as armadilhas que ainda persistem quando a governança de IA não está alinhada ao pipeline de FinOps.Abrir Sistemas FinanceirosTriagem de Alertas AML com IA Governada: Arquitetura e Trade-offsAutomatizar a triagem de alertas de AML com IA generativa é tecnicamente viável, mas a distância entre um protótipo funcional e um sistema financeiro auditável é enorme. Neste artigo, analiso a arquitetura real por trás dessa automação, os mecanismos de orquestração, os pontos de falha silenciosos e as decisões de design que separam um sistema regulatoriamente defensável de um que vai falhar numa auditoria do BACEN ou FinCEN.Abrir Segurança & ResiliênciaPostmortem: Quando a IA Encontra a Resiliência: AWS Resilience Hub e SREO AWS Resilience Hub ganhou capacidades de IA generativa para análise de modos de falha e geração de runbooks, uma mudança que parece incremental mas redefine como equipes de SRE operam em produção. Neste retrospecto, analiso o que essa evolução significa na prática, onde ela falha, e como integrar essas ferramentas em sistemas de grau financeiro sem criar novas dependências frágeis.Abrir

Estudos de arquitetura· 14

PlaybookPlaybook: 5 Mudanças em Arquitetura de IA, e o que fazer com cada umaO que era avançado em 2025 virou default em 2026: o gargalo saiu do prompt, agentes foram para produção gerenciada, MCP padronizou ferramentas, segurança virou multicamadas e FinOps de token entrou na pauta. Este playbook mapeia cada mudança com o que fazer de concreto, para quem constrói sistemas, não demos.Abrir Design Doc / RFCDesign Doc: Jornada SRE com GenAI usando AWS Resilience HubEste documento propõe uma plataforma SRE baseada no AWS Resilience Hub com camada de GenAI para automatizar descoberta de dependências, análise de modos de falha e geração de runbooks em aplicações críticas. O objetivo é reduzir o risco operacional por meio de políticas de resiliência modulares e relatórios consolidados por organização, substituindo processos manuais propensos a lacunas. O design prioriza rastreabilidade, automação incremental e integração com pipelines CI/CD existentes.Abrir Decisão (ADR)EC2 G7e: Decisão de Arquitetura para Inferência de Vídeo GenerativoAs instâncias EC2 G7e chegam com GPUs NVIDIA L40S e prometem redefinir o custo por frame em workloads de inferência de vídeo generativo. Neste registro de decisão de arquitetura, avalio as forças que tornam essa escolha não trivial, os padrões de falha que já vi em produção e a configuração que eu adotaria em um ambiente financeiro-grade.Abrir Post-mortemAzure (2026): Sobrecarga de Workloads GenAI e o Blast Radius CompartilhadoEm 29 de maio de 2026, a Microsoft Azure sofreu um incidente de disponibilidade ligado à saturação de infraestrutura de roteamento compartilhada por workloads de IA generativa de primeira-parte. O evento expôs o risco clássico de noisy neighbor em escala de nuvem hiper-escalável e levou a Microsoft a migrar cargas GenAI próprias para planos de roteamento dedicados. Esta análise reconstrói o incidente, avalia as decisões de arquitetura envolvidas e extrai lições aplicáveis a qualquer plataforma que hospede inferência de LLM em infraestrutura multi-tenant.Abrir PlaybookPlaybook: FinOps de GenAI, cortar o custo de um agente sem perder qualidadeAgentes de GenAI em produção acumulam custo em lugares que os dashboards padrão não mostram: tokens de entrada inflados, loops sem critério de parada, retries silenciosos e modelos caros em tarefas triviais. Este playbook apresenta as seis alavancas de otimização, com ordem de execução, tabela de impacto e os anti-padrões que transformam economia em regressão de qualidade.Abrir Decisão (ADR)ADR: Seleção de Modelo no Amazon Bedrock: Claude vs Nova vs Llama vs Fine-tuneDecisão arquitetural sobre qual modelo de fundação adotar em uma feature GenAI enterprise no Amazon Bedrock, avaliando qualidade, custo por token, latência, governança de dados, suporte a pt-BR e janela de contexto. A conclusão é um roteamento por tipo de tarefa, nenhum modelo único vence em todos os eixos.Abrir PlaybookPlaybook: Qual Serviço de IA da AWS Usar: A Árvore de DecisãoBedrock, SageMaker, Amazon Q, AgentCore e self-hosted GPU resolvem problemas diferentes, mas o hype faz todo mundo começar pelo Bedrock por default. Este playbook entrega uma árvore de decisão, uma matriz de trade-offs e regras de bolso para você escolher pelo problema, não pelo modismo.Abrir PlaybookPlaybook: Multi-agente, quando 1 basta e quando você precisa orquestrarCada agente adicional dobra custo, latência e superfície de erro. Este playbook oferece critério cirúrgico para decidir entre agente único, supervisor, pipeline e debate, com tabelas de decisão, topologias visuais e as armadilhas que destroem sistemas multi-agente em produção.Abrir PlaybookPlaybook: Um Agente de IA de Produção na AWS em 7 PassosNoventa por cento dos agentes de IA morrem no notebook. Este playbook cobre os 7 passos que separam um protótipo funcional de um agente confiável em produção na AWS, do trigger ao guardrail, passando por topologia de loop, ferramentas com menor privilégio, verifier externo e orçamento de execução. Opinioso, concreto e baseado nas primitivas reais do Amazon Bedrock AgentCore.Abrir PlaybookPlaybook: do Prompt ao Pipeline, os 5 Estágios de um Agente ConfiávelUm agente não nasce confiável, ele é construído estágio a estágio, do prompt simples ao sistema operável com observabilidade, guardrails e auditoria. Este playbook mapeia cada estágio, o que você ganha, o que você arrisca, e quando parar de subir a escada. O gargalo não é o prompt; é o sistema em volta.Abrir PlaybookPlaybook: RAG em Produção: O Checklist de 15 Itens Antes de Ir pro ArColar documentos num vector store não é RAG em produção, é um protótipo esperando para falhar em público. Este playbook cobre os 15 itens concretos e testáveis que separam um pipeline RAG confiável de um que alucina, vaza PII e estoura orçamento sem que ninguém perceba. A verdade incômoda: ~80% das alucinações são falha de recuperação, não do modelo.Abrir PlaybookPlaybook: Vector Store na AWS: OpenSearch Serverless vs Aurora pgvector vs S3 VectorsEscolher o vector store errado é onde a conta de RAG explode, ou onde a latência entrega p99 inaceitável em produção. Este playbook mapeia os três caminhos principais na AWS (OpenSearch Serverless, Aurora pgvector, S3 Vectors) por três eixos reais: latência exigida, modelo de custo e carga operacional. Saia com uma decisão defensável, não com a escolha do tutorial.Abrir PlaybookPlaybook: MCP na Prática: Conecte um Agente a uma Ferramenta InternaO Model Context Protocol elimina o adaptador artesanal entre agente e ferramenta: um servidor MCP expõe tools com nome, descrição e schema; o cliente descobre e chama sem acoplamento direto. Este playbook cobre os três passos concretos para subir um servidor MCP, descrever bem uma tool e conectar o agente, com atenção especial à segurança, que é onde a maioria erra.Abrir PlaybookPlaybook: IA, ML, Deep Learning, LLM e Agentes, o Mapa para Decidir a Ferramenta CertaUm guia prático em camadas para engenheiros e arquitetos que precisam parar de usar 'vamos de LLM' como resposta padrão. O mapa correto é IA → ML → Deep Learning → GenAI/LLM → Agentes, cada camada um subconjunto da anterior, não sinônimos. A pergunta certa nunca é 'qual modelo?', é 'qual a ferramenta mais simples que resolve bem?'.Abrir