A GS Caltex, empresa sul-coreana dos setores de energia e química, passou a conectar os modelos construídos por seus engenheiros de processo no Amazon SageMaker Canvas a fluxos de produção executados no Amazon SageMaker Pipelines. O relato foi publicado no blog de machine learning da AWS em 13 de novembro de 2026, na primeira parte de uma série técnica sobre a operação de MLOps da companhia.
Segundo o material, o tempo de implantação de um modelo caiu de cerca de uma semana para poucas horas, e a empresa passou a rodar inferência em lote a cada 30 minutos.
O caso descreve uma divisão de trabalho deliberada. Engenheiros de processo conhecem as variáveis e os dados por trás de cada operação industrial e avaliam se as previsões de um modelo são úteis na prática.
Eles constroem e validam esses modelos no Amazon SageMaker Canvas sem escrever código, apoiados no conhecimento de domínio da planta. Aos engenheiros de machine learning cabe transformar esses ativos em jobs de produção, configurar os fluxos no Amazon SageMaker Pipelines e administrar versões de modelo e histórico de execução.
O gargalo que existia entre a validação e a produção
Levar um modelo validado do Canvas para o Pipelines não era automático. Era preciso ajustar caminhos de dados para o ambiente produtivo, fornecer a configuração do modelo e conectar as etapas de pré-processamento e de inferência.
Esse trabalho de integração consumia o tempo dos engenheiros de ML a cada nova versão.
A GS Caltex automatizou essa passagem mantendo o reaproveitamento dos ativos criados no Canvas. O fluxo de pré-processamento montado visualmente com o Data Wrangler é reaproveitado em jobs do Amazon SageMaker Processing, enquanto o modelo treinado e seus resultados de avaliação são registrados no Amazon SageMaker Model Registry, onde ficam versionados e sujeitos a aprovação.
Como a arquitetura funciona na prática
O desenho tem dois caminhos. O primeiro prepara uma nova versão de modelo para implantação: os engenheiros de ML recebem o fluxo de pré-processamento e o modelo vindos do Canvas, revisam formatos de dados e resultados de predição, aprovam o modelo no Model Registry e o implantam.
Essa etapa acontece quando uma nova versão é publicada; as execuções seguintes reutilizam o modelo já implantado.
O segundo caminho é a inferência agendada. O Amazon EventBridge dispara cada execução periódica.
O SageMaker Pipelines prepara os dados de entrada a partir do Amazon S3, executa o pré-processamento e o SageMaker Batch Transform, e grava os resultados de volta no S3. Os engenheiros de ML acompanham o status de cada etapa e os logs do Amazon CloudWatch para monitorar o fluxo e tratar falhas.
Cabe a eles configurar os caminhos de entrada e saída, definir a ordem de execução e escrever o código que liga aprovação e agendamento ao pipeline.
Por que isso importa
O relato da GS Caltex ilustra um ponto recorrente em projetos industriais de aprendizado de máquina: o modelo raramente é o gargalo. O esforço maior costuma estar na engenharia em volta dele — padronizar dados, versionar artefatos, agendar execuções e garantir rastreabilidade.
Ao manter o desenvolvimento na interface no-code do Canvas e concentrar a operação no Pipelines, a empresa separa responsabilidades sem descartar o que já foi validado por quem entende do processo químico.
O ganho de tempo é o indicador mais visível: de aproximadamente uma semana para algumas horas entre a validação e a entrada em produção. A cadência de 30 minutos para a inferência em lote também tem consequência econômica.
Em vez de manter endpoints ligados continuamente, a companhia executa previsões em intervalos regulares e, segundo o próprio relato, reduziu muito seus custos de inferência.
O material não detalha quais processos industriais são atendidos pelos modelos, nem o volume de dados processado a cada rodada. A descrição pública se concentra na mecânica de integração entre as duas ferramentas e no papel de serviços como S3, Model Registry, EventBridge, SageMaker Processing, Batch Transform e CloudWatch.
A segunda parte da série deve aprofundar aspectos adicionais da operação.
A adoção combinada de construção visual e orquestração gerenciada aponta para um modelo de governança em que o especialista de domínio valida o que entende, e o especialista em ML garante que aquilo rode de forma reproduzível. Para empresas com plantas industriais e equipes enxutas de dados, o desenho serve como referência de como escalar experimentos pontuais para rotinas executadas várias vezes por hora.
Fontes e links
- AWS Machine Learning Blog
- GS Caltex
- Amazon SageMaker Canvas
- Documentação do SageMaker Batch Transform
