Visão geral
Criação de um contexto estruturado e reutilizável da infraestrutura cloud, permitindo que profissionais com menos experiência no ambiente pesquisem, localizem evidências e iniciem análises operacionais e de segurança com mais autonomia, reduzindo a dependência de conhecimento tácito concentrado em poucas pessoas.
Contexto
Em ambientes cloud complexos, o conhecimento necessário para investigar um problema não está somente na ferramenta. É preciso saber qual componente gera determinado log, para onde ele é enviado, onde fica armazenado, qual serviço deve ser consultado, quais regiões e contas estão envolvidas, quais guardrails existem e quais relacionamentos entre recursos precisam ser considerados. Para profissionais com menos familiaridade com a arquitetura, descobrir esse caminho consumia mais tempo do que a própria análise.
Desafio
Tornar acessível o conhecimento tácito sobre a infraestrutura — caminhos de logging, relações entre serviços, guardrails, padrões internos — sem depender de documentação estática ou de especialistas pontuais. Construir um contexto que pudesse ser utilizado por ferramentas de IA para orientar investigações de forma alinhada ao ambiente real.
Minha atuação
- Modelagem do contexto reutilizável da infraestrutura: recursos cloud, ambientes, regiões, componentes de rede, arquitetura Kubernetes e serviços de segurança
- Mapeamento de fluxos de logging: origem dos logs, destinos, armazenamento e caminhos de consulta
- Documentação de guardrails, relações entre recursos e padrões internos da plataforma
- Integração do contexto com assistentes de IA para orientação de investigações
- Aplicação em investigações de segurança: WAF, VPC Flow Logs, correlação de recursos e fontes de evidência
- Democratização do conhecimento operacional para profissionais menos experientes
Arquitetura
O contexto combinava informações arquiteturais e operacionais do ambiente: recursos cloud, ambientes, regiões, componentes de rede, arquitetura Kubernetes, serviços de segurança, fluxos de logging, observabilidade, localização lógica dos logs, relações entre serviços, guardrails, padrões internos e caminhos comuns de investigação. A IA utilizava esse contexto para orientar consultas e investigações de maneira mais alinhada ao ambiente real.
Decisões técnicas
- Contexto estruturado como ativo operacional — não como documentação estática
- Mapeamento de caminhos de logging como parte da arquitetura de observabilidade
- Guardrails documentados como conhecimento operacional, não como controles automatizados pela IA
- Democratização do conhecimento como objetivo explícito da iniciativa
- Investigação orientada por contexto — não por respostas genéricas da ferramenta
Princípios de uso seguro
A IA auxiliava na descoberta, pesquisa, interpretação e investigação, mas decisões operacionais e de segurança continuavam dependendo de validação humana. Guardrails descritos no contexto não eram automaticamente aplicados pela IA — guardrails reais continuavam sendo aplicados por IAM, SCPs, AWS Config, políticas, pipelines e controles de segurança da plataforma.
Contexto obtido de fontes técnicas controladas e verificáveis. IA utilizada como apoio à investigação, não como decisão autônoma. Respostas estruturadas, evidências e validação humana. Sem exposição de credenciais, segredos ou permissões excessivas. Registro de prompts, fontes e resultados para rastreabilidade.
Automação
O contexto era atualizado conforme a infraestrutura evoluía, mantendo alinhamento com o ambiente real. A automação de investigações dependia da qualidade do contexto alimentado — dados desatualizados comprometiam a orientação.
Desafios de engenharia
O diferencial não estava somente no uso de IA, mas na construção de um contexto que permitia ao modelo compreender como a infraestrutura real estava organizada. Exemplo: para investigar AWS WAF, o contexto conhecia o fluxo WAF → Logging → Kinesis Data Firehose → S3 → Athena, permitindo orientar a investigação considerando o fluxo utilizado naquele ambiente específico. O mesmo conceito se aplicava a VPC Flow Logs, conectividade, tráfego inesperado e investigação de incidentes.
Resultados
- Conhecimento da infraestrutura disponibilizado de forma mais acessível
- Menor necessidade de conhecer previamente todos os caminhos de logging
- Maior autonomia para profissionais menos experientes em investigações
- Acesso mais rápido às fontes relevantes de evidência
- Contexto consistente para troubleshooting e investigação de segurança