Lo stack AI/ML di AWS

AWS organizza le sue capacità di machine learning su tre livelli. In basso ci sono i framework e l’infrastruttura, per chi costruisce modelli da zero. Al centro c’è Amazon SageMaker, la piattaforma gestita per l’intero ciclo di vita ML. In alto stanno i managed AI services: API pre-addestrate che risolvono task comuni (testo, immagini, documenti, voce) senza richiedere competenze di data science.

Per l’esame la domanda chiave è sempre la stessa: il problema rientra in un pattern già coperto da un servizio pronto, oppure serve un modello custom addestrato sui tuoi dati? Questa distinzione, più dei dettagli tecnici, è ciò che le domande vogliono verificare.

Amazon SageMaker: il ciclo di vita ML

Amazon SageMaker copre tutte le fasi di un modello: preparazione dei dati, addestramento (training), tuning degli iperparametri, deployment su endpoint e monitoraggio in produzione. È la scelta quando i servizi pre-addestrati non bastano: hai dati proprietari, un problema di dominio molto specifico o il bisogno di controllare direttamente l’algoritmo.

In cambio della flessibilità, SageMaker richiede competenze ML e più lavoro. Il trade-off da ricordare è netto: SageMaker significa massimo controllo e personalizzazione ma anche massimo effort; i managed AI services significano zero training ma restano vincolati ai casi d’uso previsti.

I servizi AI pre-addestrati

Tre servizi ricorrono spesso nell’esame, ciascuno legato a un tipo di dato:

  • Amazon Comprehend — NLP sul testo. Rileva sentiment, lingua, entità, key phrase e PII, e fa topic modeling. Utile per analizzare recensioni, ticket di supporto o feedback su larga scala.
  • Amazon Rekognition — computer vision su immagini e video. Riconosce oggetti, scene, volti, celebrità e testo presente nelle immagini, e fa content moderation dei contenuti inappropriati.
  • Amazon Textract — estrae testo, dati da form e tabelle da documenti scansionati. Va oltre il semplice OCR perché comprende la struttura del documento (coppie chiave-valore, celle di tabella), utile per fatture, moduli e documenti d’identità.

Nello stesso layer esistono altri managed services (Transcribe per speech-to-text, Translate, Polly, Lex, Personalize) e Amazon Bedrock per la generative AI basata su foundation models. Per questa unit, però, il nucleo sono i tre servizi sopra.

Come abbinare problema e servizio

Il criterio di scelta parte dal tipo di dato e dal task richiesto:

  • Testo da interpretare (sentiment, entità, lingua) → Comprehend.
  • Immagini o video da analizzare → Rekognition.
  • Documenti da cui estrarre dati strutturati → Textract.
  • Task che non rientra in nessun pattern pronto, o dati proprietari da modellare → SageMaker (modello custom).

La regola pratica: se un caso d’uso standard è coperto da un servizio pre-addestrato, quella è quasi sempre la risposta corretta all’esame, perché comporta minore effort, nessun training e un time-to-market più rapido. SageMaker entra in gioco solo quando la personalizzazione è indispensabile, mai come scorciatoia per un problema già risolto da un’API pronta.

Trappole tipiche d’esame

  • Estrarre dati da fatture o moduli scansionati → Textract, non Rekognition: Rekognition legge testo “in scena” nelle immagini, ma per form, tabelle e coppie chiave-valore da documenti serve Textract.
  • Analizzare il sentiment di recensioni → Comprehend, non SageMaker: è un task NLP standard già pronto; costruire un modello custom è overkill e viene proposto come distrattore.
  • “Serve un modello addestrato sui nostri dati” → SageMaker: quando lo scenario sottolinea dati proprietari o un problema di dominio non coperto, i servizi pre-addestrati non bastano.
  • Content moderation di immagini o video caricati dagli utenti → Rekognition: rileva contenuti inappropriati; Comprehend lavora solo sul testo e non è pertinente.
  • Rilevare e mascherare PII nel testo → Comprehend: dispone di una funzione dedicata alle PII, quindi non serve costruire un modello ad hoc.
  • Generative AI o chatbot su foundation models → Amazon Bedrock, non SageMaker: per usare LLM pronti senza gestire il training il servizio è Bedrock; SageMaker serve a costruire o addestrare modelli propri.