A Amazon Web Services detalhou em 21 de setembro de 2026 uma novidade voltada a equipes de ciência de dados: o Positron, ambiente de desenvolvimento integrado (IDE) da Posit, passou a rodar dentro do Amazon SageMaker AI. A publicação técnica mostra como um cientista de dados pode explorar uma tabela do Amazon Athena, validar atributos em R, treinar um modelo XGBoost em Python, implantar um endpoint em tempo real do SageMaker AI e reportar os resultados com Quarto.
Tudo dentro de um único SageMaker Studio Space governado.
Como a integração funciona
O caminho de implantação passa pela publicação, pela Posit, de uma definição de imagem de contêiner para o Positron. A imagem é construída sobre a Amazon SageMaker Distribution.
A partir dela, administradores de plataforma montam a imagem, enviam para um repositório próprio no Amazon Elastic Container Registry (Amazon ECR), registram no SageMaker AI e anexam ao domínio do Studio. Depois disso, o cientista de dados escolhe o Positron no momento de criar um Space e abre o IDE diretamente no Studio.
Dentro desse arranjo, o Positron roda sob a role de execução do Space. As consultas ao Athena, ao AWS Glue Data Catalog e ao Amazon S3 seguem as permissões dessa role, sem chaves de acesso para armazenar ou rotacionar.
A publicação também informa que o usuário sobe o Space no tamanho de instância necessário. As equipes podem reservar capacidade com os planos de treinamento do SageMaker AI para garantir compute em treinamentos agendados.
Outro ponto é a assistência de código. O Posit Assistant, assistente de programação com IA da Posit, pode usar o Amazon Bedrock como provedor de modelos.
Isso mantém o recurso rodando sobre modelos localizados na própria conta e na própria Região da AWS.
A arquitetura ainda permite abrir vários Spaces ao mesmo tempo, para projetos independentes, e um Space compartilhado, no qual várias pessoas trabalham na mesma aplicação Positron.
Um projeto de ponta a ponta
O exemplo percorrido no artigo usa uma carteira sintética de 50.000 empréstimos. Os dados de origem ficam no Amazon S3 e são registrados no AWS Glue Data Catalog.
O Amazon Athena faz as consultas, o R valida os atributos, o Python treina um classificador XGBoost, o Shiny for Python aciona o endpoint e o Quarto registra o fluxo.
Os autores fazem uma ressalva explícita: os dados não representam um sistema de crédito de produção.
No primeiro passo, o projeto aparece em um Space do SageMaker Studio, com explorador de arquivos, editor, sessões de R e de Python, painel de variáveis, gráficos, terminal e pré-visualização de aplicação. O ambiente roda em navegador apoiado em compute do SageMaker.
Em seguida, o Posit Assistant localizou a tabela credit_risk_blog.loan_tape_source no AWS Glue Data Catalog e preparou uma consulta somente leitura no Athena. A consulta retornou cinco linhas de amostra distribuídas em seis campos, escaneou 2,18 MiB e foi concluída em menos de um segundo.
Para reproduzir o percurso, a organização precisa de alguns itens. Licença Posit e acesso à definição de imagem publicada pela Posit.
Permissões administrativas para gerenciar o Amazon ECR e configurar imagens customizadas no domínio do SageMaker Studio. Uma role de execução do Space com acesso ao Athena e ao Glue Data Catalog.
Um local de origem no S3 e um local configurado para resultados de consultas do Athena. Acesso a modelos do Amazon Bedrock na mesma Região do domínio do Studio, quando o Posit Assistant for usado.
E uma instância ml.t3.xlarge ou maior para o ambiente demonstrado.
Por que isso importa
O ganho apontado é de consolidação. Em vez de alternar entre ferramentas separadas para acesso governado a dados, análise em R, desenvolvimento de modelos em Python, implantação, construção de aplicação e relatórios, a equipe reúne as etapas em um mesmo espaço.
A governança vem das permissões da role de execução.
Para áreas sujeitas a auditoria, isso simplifica a rastreabilidade de quem acessou qual dado e com qual finalidade.
A convivência de R e Python no mesmo IDE também reduz atritos típicos de equipes mistas, em que a validação estatística e a modelagem ficam em linguagens diferentes. Somada ao uso do Bedrock como provedor de modelos, a proposta mantém a assistência de IA dentro do perímetro da conta AWS.
Isso ajuda a atender restrições de residência de dados e de uso de serviços externos.
A adoção, porém, depende de trabalho de plataforma. É preciso construir e manter a imagem no ECR, registrá-la e vinculá-la ao domínio do Studio, além de garantir licença Posit e permissões adequadas.
O artigo deixa claro que se trata de um passo a passo ilustrativo, com dados sintéticos, e não de uma recomendação de arquitetura para sistemas de crédito em produção.
