GS Caltex reduz em 7 dias implantação de ML com SageMaker Canvas
GS Caltex cria fluxo de MLOps que liga modelos visuais do SageMaker Canvas a pipelines em produção, corta implantação de uma semana para horas e reduz custo de inferência.

Tech Desk
GS Caltex otimiza processos de machine learning com integração eficiente do SageMaker Canvas, acelerando a implantação e reduzindo custos.
Leia também: Era dos semicondutores muda economia e tecnologia até 2030
A sul-coreana GS Caltex passou a rodar modelos de machine learning em produção em poucas horas, em vez de esperar quase uma semana, ao adotar um fluxo de MLOps que integra o desenvolvimento visual no Amazon SageMaker Canvas com pipelines automatizadas no Amazon SageMaker Pipelines na plataforma de nuvem da AWS.
Engenheiros de processo modelam, engenheiros de ML implantam
Na nova arquitetura, engenheiros de processo da GS Caltex montam e validam modelos diretamente no SageMaker Canvas, em uma interface visual, sem escrever código. “Process engineers build and validate models in SageMaker Canvas without writing code, drawing on their process knowledge”, descreve a empresa.
Depois que esses especialistas de processo aprovam o comportamento do modelo, entram em cena os engenheiros de machine learning. “ML engineers configure SageMaker Pipelines workflows for deployment and scheduled inference”, afirma a GS Caltex. Eles recebem os fluxos de pré-processamento e os modelos registrados a partir do Canvas, revisam formatos de dados e resultados de previsão e, em seguida, aprovam a versão no SageMaker Model Registry.
A divisão de papéis permite que quem conhece profundamente as variáveis industriais foque na qualidade das previsões, enquanto a equipe de dados se concentra em versionamento, operação e monitoramento em escala.
Entenda o contexto
Antes da mudança, a transição entre experimentos feitos por engenheiros de processo e o ambiente produtivo exigia integração manual. Era preciso ajustar caminhos de dados, configurar modelos e conectar, na mão, os jobs de pré-processamento e inferência. Isso atrasava a chegada de novos modelos à operação.
Para resolver o gargalo, a GS Caltex desenhou um fluxo de MLOps em duas trilhas: preparação de novas versões de modelo e execução recorrente de inferências em lote com o modelo já implantado.
Como funciona o novo fluxo de MLOps na prática
O processo começa no SageMaker Canvas, onde os engenheiros de processo preparam dados visualmente, constroem modelos e geram previsões de teste. Quando um modelo está validado, ele é registrado no SageMaker Model Registry a partir do próprio Canvas, junto com informações de configuração de inferência e resultados de avaliação.
Os fluxos de pré-processamento, criados com Data Wrangler no Canvas, são exportados para o Amazon S3 usando SageMaker Processing. Os arquivos de fluxo (.flow), a imagem de container usada, o papel de execução e as configurações de saída são registrados para que os engenheiros de ML consigam transformar esse pacote em etapas reutilizáveis de pipeline.
Na montagem da pipeline, a GS Caltex mantém a lógica de pré-processamento validada pelos engenheiros de processo e apenas ajusta caminhos de entrada e saída, além de parâmetros específicos do ambiente de produção, como tipo e quantidade de instâncias de processamento conforme o volume de dados.
A arquitetura de produção é composta por cinco etapas encadeadas: preparação da entrada, execução do pré-processamento, ajuste das colunas (incluindo a remoção da coluna-alvo quando necessário), inferência em lote com SageMaker Batch Transform e montagem dos resultados finais. A ordem é controlada por dependências explícitas, e cada etapa lê e escreve dados em locais definidos no S3.
Execução em batch a cada 30 minutos
Com o modelo aprovado no Model Registry, os engenheiros de ML criam um recurso de modelo no SageMaker com os artefatos e o container corretos. A partir daí, uma pipeline de inferência é acionada periodicamente para processar novos dados.
“The company runs batch inference every 30 minutes, reducing the need for continuously running endpoints”, relata a GS Caltex. Em vez de manter endpoints de inferência ativos o tempo todo, a empresa criou uma rotina de lotes agendados que consome apenas os recursos necessários para cada execução, armazenando previsões em S3.
O agendamento é feito com Amazon EventBridge, que dispara a pipeline em intervalos fixos de 30 minutos. Em cada rodada, o SageMaker Pipelines coleta os dados brutos no Amazon S3, executa o fluxo de pré-processamento, roda a inferência em batch e salva a saída novamente em S3, onde as áreas de operação podem consumir os resultados.
O acompanhamento é feito pela própria equipe de ML, que monitora o status de cada etapa no SageMaker Pipelines e analisa logs detalhados no Amazon CloudWatch para detectar falhas ou gargalos.
Implantação cai de uma semana para poucas horas
Segundo a GS Caltex, o ganho de velocidade foi expressivo: “ML engineers now deploy models within a few hours, compared with about a week before”. Ao automatizar a transferência dos ativos do Canvas para o ambiente de produção e padronizar a aprovação via Model Registry, boa parte do trabalho manual desapareceu.
O fluxo também reduz o risco de divergência entre o que foi validado em teste e o que roda em produção, já que a pipeline reaproveita exatamente o mesmo fluxo de pré-processamento criado no Canvas. A principal mudança é a parametrização de caminhos e ajustes finos para o cenário produtivo.
Na etapa de preparação de dados, o pipeline lida ainda com diferenças entre o conjunto de treino e os dados de inferência. Quando a coluna-alvo usada no treinamento não está presente na base de produção, o fluxo adiciona um valor fictício apenas para manter o esquema esperado pelo pré-processamento, removendo essa coluna depois. A GS Caltex alerta que esse truque só é adequado quando a coluna-alvo não influencia a criação de outras variáveis.
Impacto interno e próximos passos
Internamente, a avaliação é que a arquitetura democratiza o uso de machine learning na indústria da empresa. Engenheiros de processo ganham autonomia para testar hipóteses e validar modelos sem depender de programadores, enquanto a área de dados concentra esforços em segurança, escalabilidade e governança dos modelos em produção.
A automação da passagem entre desenvolvimento e operação reduz o tempo de resposta a mudanças nos processos industriais e abre espaço para experimentação mais frequente. Com inferência em batch a cada 30 minutos, a área de operações passa a contar com previsões atualizadas ao longo do dia, sem o custo de infraestrutura de endpoints permanentes, o que, de acordo com a GS Caltex, vem reduzindo de forma mensurável os gastos com inferência.
A empresa disponibilizou um repositório público com uma implementação de referência, baseada em um modelo de classificação de empréstimos, para que outras equipes adaptem o desenho à sua própria realidade de dados. A expectativa é expandir o padrão de integração entre Canvas e Pipelines para mais casos de uso e aumentar o volume de dados suportado, mantendo o mesmo desenho de MLOps.

