Perusahaan berupaya untuk segera membuka potensi AI generatif dengan menyediakan akses ke model dasar (FM) ke berbagai lini bisnis (LOB). Tim TI bertanggung jawab untuk membantu LOB berinovasi dengan cepat dan gesit sambil menyediakan tata kelola dan observasi yang terpusat. Misalnya, mereka mungkin perlu melacak penggunaan FM di seluruh tim, menagih kembali biaya, dan memberikan visibilitas ke pusat biaya yang relevan di LOB. Selain itu, mereka mungkin perlu mengatur akses ke model yang berbeda untuk setiap tim. Misalnya, jika hanya FM tertentu yang disetujui untuk digunakan.
Batuan Dasar Amazon adalah layanan terkelola sepenuhnya yang menawarkan pilihan model fondasi berkinerja tinggi dari perusahaan AI terkemuka seperti AI21 Labs, Anthropic, Cohere, Meta, Stability AI, dan Amazon melalui satu API, bersama dengan serangkaian kemampuan luas untuk membangun AI generatif aplikasi dengan keamanan, privasi, dan AI yang bertanggung jawab. Karena Amazon Bedrock tidak memiliki server, Anda tidak perlu mengelola infrastruktur apa pun, dan Anda dapat dengan aman mengintegrasikan dan menerapkan kemampuan AI generatif ke dalam aplikasi Anda menggunakan layanan AWS yang sudah Anda kenal.
Lapisan perangkat lunak sebagai layanan (SaaS) untuk model dasar dapat menyediakan antarmuka yang sederhana dan konsisten bagi pengguna akhir, sekaligus mempertahankan tata kelola akses dan konsumsi yang terpusat. Gateway API dapat menyediakan koneksi longgar antara konsumen model dan layanan titik akhir model, serta fleksibilitas untuk beradaptasi dengan perubahan model, arsitektur, dan metode pemanggilan.
Dalam postingan ini, kami menunjukkan kepada Anda cara membangun lapisan SaaS internal untuk mengakses model fondasi dengan Amazon Bedrock dalam arsitektur multi-penyewa (tim). Kami secara khusus fokus pada penggunaan dan pelacakan biaya per penyewa dan juga kontrol seperti pembatasan penggunaan per penyewa. Kami menjelaskan bagaimana solusi dan rencana konsumsi Amazon Bedrock dipetakan ke kerangka perjalanan SaaS umum. Kode untuk solusi dan an Kit Pengembangan AWS Cloud Templat (AWS CDK) tersedia di Repositori GitHub.
Tantangan
Administrator platform AI perlu menyediakan akses FM yang terstandarisasi dan mudah ke berbagai tim pengembangan.
Berikut ini adalah beberapa tantangan dalam menyediakan akses terkelola terhadap model yayasan:
- Pelacakan biaya dan penggunaan โ Melacak dan mengaudit biaya masing-masing penyewa dan penggunaan model dasar, dan memberikan biaya tagihan balik ke pusat biaya tertentu
- Kontrol anggaran dan penggunaan โ Kelola kuota, anggaran, dan batas penggunaan API untuk penggunaan model dasar yang diizinkan pada frekuensi yang ditentukan per penyewa
- Kontrol akses dan tata kelola model โ Tentukan kontrol akses untuk model tertentu yang diizinkan per penyewa
- API standar multi-penyewa โ Memberikan akses yang konsisten terhadap model pondasi dengan API Terbuka standar
- Manajemen API terpusat โ Menyediakan satu lapisan untuk mengelola kunci API untuk mengakses model
- Versi dan pembaruan model โ Menangani peluncuran versi model baru dan yang diperbarui
Ikhtisar solusi
Dalam solusi ini, kami mengacu pada a multi-penyewa pendekatan. SEBUAH penyewa di sini dapat berkisar dari pengguna individu, proyek tertentu, tim, atau bahkan seluruh departemen. Saat kami mendiskusikan pendekatan ini, kami menggunakan istilah tersebut tim, karena itu yang paling umum. Kami menggunakan kunci API untuk membatasi dan memantau akses API untuk tim. Setiap tim diberi kunci API untuk mengakses FM. Mungkin ada mekanisme autentikasi dan otorisasi pengguna berbeda yang diterapkan dalam suatu organisasi. Untuk mempermudah, kami tidak menyertakan ini dalam solusi ini. Anda juga dapat mengintegrasikan penyedia identitas yang ada dengan solusi ini.
Diagram berikut merangkum arsitektur solusi dan komponen utama. Tim (penyewa) yang ditugaskan ke pusat biaya terpisah menggunakan Amazon Bedrock FM melalui layanan API. Untuk melacak konsumsi dan biaya per tim, solusi mencatat data untuk setiap pemanggilan individu, termasuk model yang dipanggil, jumlah token untuk model pembuatan teks, dan dimensi gambar untuk model multimodal. Selain itu, ini menggabungkan pemanggilan per model dan biaya oleh masing-masing tim.
Anda dapat menerapkan solusi di akun Anda sendiri menggunakan AWS CDK. AWS CDK adalah kerangka pengembangan perangkat lunak sumber terbuka untuk memodelkan dan menyediakan sumber daya aplikasi cloud Anda menggunakan bahasa pemrograman yang sudah dikenal. Kode AWS CDK tersedia di Repositori GitHub.
Pada bagian berikut, kami membahas komponen utama solusi secara lebih rinci.
Menangkap penggunaan model dasar per tim
Alur kerja untuk mencatat penggunaan FM per tim terdiri dari langkah-langkah berikut (seperti yang diberi nomor pada diagram sebelumnya):
- Aplikasi tim mengirimkan permintaan POST ke Gerbang API Amazon dengan model yang akan dipanggil di
model_id
parameter kueri dan perintah pengguna di badan permintaan. - API Gateway merutekan permintaan ke AWS Lambda fungsi
bedrock_invoke_model
) yang bertanggung jawab untuk mencatat informasi penggunaan tim amazoncloudwatch dan menerapkan model Amazon Bedrock. - Amazon Bedrock menyediakan titik akhir VPC yang didukung oleh Tautan Pribadi AWS. Dalam solusi ini, fungsi Lambda mengirimkan permintaan ke Amazon Bedrock menggunakan PrivateLink untuk membuat koneksi pribadi antara VPC di akun Anda dan akun layanan Amazon Bedrock. Untuk mempelajari lebih lanjut tentang PrivateLink, lihat Gunakan AWS PrivateLink untuk mengatur akses pribadi ke Amazon Bedrock.
- Setelah pemanggilan Amazon Bedrock, Amazon CloudTrail menghasilkan a acara CloudTrail.
- Jika panggilan Amazon Bedrock berhasil, fungsi Lambda mencatat informasi berikut tergantung pada jenis model yang dipanggil dan mengembalikan respons yang dihasilkan ke aplikasi:
- tim_id โ Pengidentifikasi unik untuk tim yang mengeluarkan permintaan.
- permintaanId โ Pengidentifikasi unik permintaan.
- model_id โ ID model yang akan dipanggil.
- masukanToken โ Jumlah token yang dikirim ke model sebagai bagian dari perintah (untuk model pembuatan teks dan penyematan).
- token keluaran โ Jumlah maksimum token yang akan dihasilkan oleh model (untuk model pembuatan teks).
- tinggi โ Ketinggian gambar yang diminta (untuk model multimodal dan model penyematan multimodal).
- lebar โ Lebar gambar yang diminta (hanya untuk model multimodal).
- tangga โ Langkah-langkah yang diminta (untuk model Stability AI).
Biaya pelacakan per tim
Aliran yang berbeda mengumpulkan informasi penggunaan, lalu menghitung dan menghemat biaya sesuai permintaan per tim setiap hari. Dengan memiliki aliran terpisah, kami memastikan bahwa pelacakan biaya tidak memengaruhi latensi dan throughput aliran pemanggilan model. Langkah-langkah alur kerjanya adalah sebagai berikut:
- An Jembatan Acara Amazon aturan memicu fungsi Lambda (
bedrock_cost_tracking
) harian. - Fungsi Lambda mendapatkan informasi penggunaan dari CloudWatch untuk hari sebelumnya, menghitung biaya terkait, dan menyimpan data yang dikumpulkan berdasarkan
team_id
danmodel_id
in Layanan Penyimpanan Sederhana Amazon (Amazon S3) dalam format CSV.
Untuk menanyakan dan memvisualisasikan data yang disimpan di Amazon S3, Anda memiliki opsi berbeda, termasuk Pilih S3, dan Amazon Athena dan Amazon QuickSight.
Mengontrol penggunaan per tim
Rencana penggunaan menentukan siapa yang dapat mengakses satu atau lebih API yang diterapkan dan secara opsional menetapkan tingkat permintaan target untuk mulai membatasi permintaan. Paket tersebut menggunakan kunci API untuk mengidentifikasi klien API yang dapat mengakses API terkait untuk setiap kunci. Anda dapat menggunakan API Gateway rencana penggunaan untuk membatasi permintaan yang melebihi ambang batas yang telah ditentukan. Anda juga bisa menggunakan Kunci API dan batas kuota, yang memungkinkan Anda menetapkan jumlah maksimum permintaan per kunci API yang boleh dikeluarkan oleh setiap tim dalam interval waktu tertentu. Ini sebagai tambahan Kuota layanan Amazon Bedrock yang ditugaskan hanya pada tingkat akun.
Prasyarat
Sebelum Anda menerapkan solusi, pastikan Anda memiliki hal berikut:
Terapkan tumpukan AWS CDK
Ikuti instruksi di README file repositori GitHub untuk mengonfigurasi dan men-deploy tumpukan AWS CDK.
Tumpukan menyebarkan sumber daya berikut:
- Lingkungan jaringan pribadi (VPC, subnet pribadi, grup keamanan)
- Peran IAM untuk mengontrol akses model
- Lapisan Lambda untuk modul Python yang diperlukan
- Fungsi Lambda
invoke_model
- Fungsi Lambda
list_foundation_models
- Fungsi Lambda
cost_tracking
- Istirahat API (API Gateway)
- Paket penggunaan API Gateway
- Kunci API yang terkait dengan rencana penggunaan
Bergabunglah dengan tim baru
Untuk memberikan akses ke tim baru, Anda dapat berbagi kunci API yang sama di tim yang berbeda dan melacak konsumsi model dengan memberikan yang berbeda team_id
untuk pemanggilan API, atau buat kunci API khusus yang digunakan untuk mengakses sumber daya Amazon Bedrock dengan mengikuti instruksi yang disediakan di README.
Tumpukan menyebarkan sumber daya berikut:
- Paket penggunaan API Gateway terkait dengan REST API yang dibuat sebelumnya
- Kunci API terkait dengan rencana penggunaan untuk tim baru, dengan konfigurasi pembatasan dan burst yang dicadangkan untuk API
Untuk informasi selengkapnya tentang pembatasan API Gateway dan konfigurasi burst, lihat Permintaan Throttle API untuk throughput yang lebih baik.
Setelah Anda menyebarkan tumpukan, Anda dapat melihat kunci API baru untuk team-2
juga tercipta.
Konfigurasikan kontrol akses model
Administrator platform dapat mengizinkan akses ke model dasar tertentu dengan mengedit kebijakan IAM yang terkait dengan fungsi Lambda invoke_model
. itu
Izin IAM ditentukan dalam file setup/stack_constructs/iam.py. Lihat kode berikut:
Panggil layanan tersebut
Setelah menerapkan solusi, Anda dapat memanggil layanan langsung dari kode Anda. Pengikut
adalah contoh dalam Python untuk mengkonsumsi invoke_model
API untuk pembuatan teks melalui permintaan POST:
Keluaran: Amazon Bedrock adalah platform teknologi internal yang dikembangkan oleh Amazon untuk menjalankan dan mengoperasikan banyak layanan dan produk mereka. Beberapa hal penting tentang Bedrockโฆ
Berikut ini adalah contoh lain dalam Python untuk menggunakan invoke_model
API untuk pembuatan embeddings melalui permintaan POST:
model_id = "amazon.titan-embed-text-v1" #the model id for the Amazon Titan Embeddings Text model prompt = "What is Amazon Bedrock?" response = requests.post( f"{api_url}/invoke_model?model_id={model_id}", json={"inputs": prompt, "parameters": model_kwargs}, headers={ "x-api-key": api_key, #key for querying the API "team_id": team_id #unique tenant identifier, "embeddings": "true" #boolean value for the embeddings model }
) text = response.json()[0]["embedding"]
Keluaran: 0.91796875, 0.45117188, 0.52734375, -0.18652344, 0.06982422, 0.65234375, -0.13085938, 0.056884766, 0.092285156, 0.06982422, 1.03125, 0.8515625, 0.16308594, 0.079589844, -0.033935547, 0.796875, -0.15429688, -0.29882812, -0.25585938, 0.45703125, 0.044921875 0.34570312, XNUMX โฆ
Akses ditolak ke model pondasi
Berikut ini adalah contoh dalam Python untuk mengkonsumsi invoke_model
API untuk pembuatan teks melalui permintaan POST dengan respons akses ditolak:
โTraceback (panggilan terakhir terakhir):n File โ/var/task/index.pyโ, baris 213, di lambda_handlern respon = _invoke_text(bedrock_client, model_id, body, model_kwargs)n File โ/var/task/index.py โ, baris 146, di _invoke_textn raise en File โ/var/task/index.pyโ, baris 131, di _invoke_textn respon = bedrock_client.invoke_model(n File โ/opt/python/botocore/client.pyโ, baris 535, di _api_calln kembalikan self._make_api_call(nama_operasi, kwargs)n File โ/opt/python/botocore/client.pyโ, baris 980, di _make_api_calln naikkan error_class(parsed_response, nama_operasi)nbotocore.errorfactory.AccessDeniedException: Terjadi kesalahan (AccessDeniedException) saat memanggil operasi InvokeModel: Akun Anda tidak berwenang untuk menjalankan operasi API ini.nโ
Contoh estimasi biaya
Saat menggunakan model Amazon Bedrock dengan harga sesuai permintaan, total biaya dihitung sebagai jumlah biaya input dan output. Biaya masukan didasarkan pada jumlah token masukan yang dikirim ke model, dan biaya keluaran didasarkan pada token yang dihasilkan. Harganya adalah per 1,000 token masukan dan per 1,000 token keluaran. Untuk detail lebih lanjut dan harga model spesifik, lihat Harga Batuan Dasar Amazon.
Mari kita lihat contoh di mana dua tim, tim1 dan tim2, mengakses Amazon Bedrock melalui solusi di postingan ini. Data penggunaan dan biaya yang disimpan di Amazon S3 dalam satu hari ditunjukkan pada tabel berikut.
Kolom input_tokens
dan output_tokens
menyimpan total token masukan dan keluaran di seluruh pemanggilan model per model dan per tim, masing-masing, untuk hari tertentu.
Kolom input_cost
dan output_cost
menyimpan biaya masing-masing per model dan per tim. Ini dihitung menggunakan rumus berikut:
input_cost = input_token_count * model_pricing["input_cost"] / 1000
output_cost = output_token_count * model_pricing["output_cost"] / 1000
tim_id | model_id | masukan_tokens | keluaran_tokens | doa | masukan_biaya | keluaran_biaya |
Team1 | amazon.titan-tg1-besar | 24000 | 2473 | 1000 | 0.0072 | 0.00099 |
Team1 | antropik.claude-v2 | 2448 | 4800 | 24 | 0.02698 | 0.15686 |
Team2 | amazon.titan-tg1-besar | 35000 | 52500 | 350 | 0.0105 | 0.021 |
Team2 | ai21.j2-grande-instruksikan | 4590 | 9000 | 45 | 0.05738 | 0.1125 |
Team2 | antropik.claude-v2 | 1080 | 4400 | 20 | 0.0119 | 0.14379 |
Tampilan menyeluruh dari lingkungan SaaS tanpa server multi-penyewa yang fungsional
Mari kita pahami seperti apa lingkungan SaaS tanpa server multi-penyewa yang fungsional secara menyeluruh. Berikut ini adalah diagram arsitektur referensi.
Diagram arsitektur ini merupakan versi yang diperbesar dari diagram arsitektur sebelumnya yang dijelaskan sebelumnya pada postingan, dimana diagram arsitektur sebelumnya menjelaskan detail salah satu layanan mikro yang disebutkan (layanan model dasar). Diagram ini menjelaskan bahwa, selain layanan model dasar, Anda juga perlu memiliki komponen lain di platform SaaS multi-penyewa untuk mengimplementasikan platform yang fungsional dan skalabel.
Mari kita lihat detail arsitekturnya.
Aplikasi penyewa
Aplikasi penyewa adalah aplikasi ujung depan yang berinteraksi dengan lingkungan. Di sini, kami menunjukkan beberapa penyewa yang mengakses dari lingkungan lokal atau AWS yang berbeda. Aplikasi ujung depan dapat diperluas untuk menyertakan halaman pendaftaran bagi penyewa baru untuk mendaftarkan diri mereka dan konsol admin untuk administrator lapisan layanan SaaS. Jika aplikasi penyewa memerlukan penerapan logika kustom yang memerlukan interaksi dengan lingkungan SaaS, mereka dapat mengimplementasikan spesifikasi layanan mikro adaptor aplikasi. Contoh skenario dapat berupa penambahan logika otorisasi khusus dengan tetap menghormati spesifikasi otorisasi lingkungan SaaS.
Layanan berbagi
Berikut ini adalah layanan bersama:
- Layanan penyewa dan manajemen pengguna โLayanan ini bertanggung jawab untuk mendaftarkan dan mengelola penyewa. Mereka menyediakan fungsionalitas lintas sektoral yang terpisah dari layanan aplikasi dan dibagikan ke seluruh penyewa.
- Layanan model pondasi โDiagram arsitektur solusi yang dijelaskan di awal postingan ini mewakili layanan mikro ini, di mana interaksi dari API Gateway ke fungsi Lambda terjadi dalam lingkup layanan mikro ini. Semua penyewa menggunakan layanan mikro ini untuk menjalankan model fondasi dari Anthropic, AI21, Cohere, Stability, Meta, dan Amazon, serta model yang disempurnakan. Ini juga menangkap informasi yang diperlukan untuk pelacakan penggunaan di log CloudWatch.
- Layanan pelacakan biaya โLayanan ini melacak biaya dan penggunaan untuk setiap penyewa. Layanan mikro ini berjalan sesuai jadwal untuk menanyakan log CloudWatch dan mengeluarkan pelacakan penggunaan gabungan dan perkiraan biaya ke penyimpanan data. Layanan pelacakan biaya dapat diperluas untuk membuat laporan dan visualisasi lebih lanjut.
Layanan adaptor aplikasi
Layanan ini menyajikan serangkaian spesifikasi dan API yang dapat diterapkan oleh penyewa untuk mengintegrasikan logika kustom mereka ke lingkungan SaaS. Berdasarkan seberapa banyak integrasi kustom yang diperlukan, komponen ini dapat bersifat opsional bagi penyewa.
Penyimpanan data multi-penyewa
Layanan bersama menyimpan datanya dalam penyimpanan data yang dapat digunakan bersama Amazon DynamoDB tabel dengan kunci partisi penyewa yang mengaitkan item DynamoDB dengan masing-masing penyewa. Layanan bersama pelacakan biaya menghasilkan data penggunaan agregat dan pelacakan biaya ke Amazon S3. Berdasarkan kasus penggunaan, mungkin terdapat penyimpanan data khusus aplikasi juga.
Lingkungan SaaS multi-penyewa dapat memiliki lebih banyak komponen. Untuk informasi lebih lanjut, lihat Membangun Solusi SaaS Multi-Penyewa Menggunakan Layanan Tanpa Server AWS.
Dukungan untuk beberapa model penerapan
Kerangka kerja SaaS biasanya menguraikan dua model penerapan: kumpulan dan silo. Untuk model kumpulan, semua penyewa mengakses FM dari lingkungan bersama dengan penyimpanan umum dan infrastruktur komputasi. Dalam model silo, setiap penyewa memiliki sumber daya khusus masing-masing. Anda dapat membaca tentang model isolasi di Buku putih Strategi Isolasi Penyewa SaaS.
Solusi yang diusulkan dapat diadopsi untuk kedua model penerapan SaaS. Dalam pendekatan kumpulan, lingkungan AWS terpusat menghosting API, penyimpanan, dan sumber daya komputasi. Dalam mode silo, setiap tim mengakses API, penyimpanan, dan sumber daya komputasi di lingkungan AWS khusus.
Solusi ini juga sesuai dengan rencana konsumsi yang disediakan oleh Amazon Bedrock. AWS menyediakan dua pilihan rencana konsumsi untuk inferensi:
- Sesuai Permintaan โ Mode ini memungkinkan Anda menggunakan model pondasi dengan sistem bayar sesuai pemakaian tanpa harus membuat komitmen jangka waktu berbasis waktu
- Throughput yang Disediakan โ Mode ini memungkinkan Anda menyediakan throughput yang cukup untuk memenuhi persyaratan kinerja aplikasi Anda dengan imbalan komitmen jangka waktu berbasis waktu
Untuk informasi lebih lanjut tentang opsi ini, lihat Harga Batuan Dasar Amazon.
Solusi referensi SaaS tanpa server yang dijelaskan dalam postingan ini dapat menerapkan paket konsumsi Amazon Bedrock untuk menyediakan opsi tingkatan dasar dan premium kepada pengguna akhir. Dasar dapat mencakup konsumsi Throughput Amazon Bedrock Sesuai Permintaan atau Terprovisi dan dapat mencakup penggunaan spesifik serta batas anggaran. Batasan penyewa dapat diaktifkan dengan membatasi permintaan berdasarkan permintaan, ukuran token, atau alokasi anggaran. Penyewa tingkat premium dapat memiliki sumber daya khusus mereka sendiri dengan konsumsi throughput Amazon Bedrock yang disediakan. Penyewa ini biasanya terkait dengan beban kerja produksi yang memerlukan throughput tinggi dan akses latensi rendah ke Amazon Bedrock FM.
Kesimpulan
Dalam postingan ini, kami membahas cara membangun platform SaaS internal untuk mengakses model dasar dengan Amazon Bedrock dalam pengaturan multi-penyewa dengan fokus pada pelacakan biaya dan penggunaan, serta pembatasan pembatasan untuk setiap penyewa. Topik tambahan untuk dijelajahi termasuk mengintegrasikan solusi otentikasi dan otorisasi yang ada dalam organisasi, meningkatkan lapisan API untuk menyertakan soket web untuk interaksi server klien dua arah, menambahkan pemfilteran konten dan pagar tata kelola lainnya, merancang beberapa tingkat penerapan, mengintegrasikan layanan mikro lainnya di SaaS arsitektur, dan masih banyak lagi.
Seluruh kode untuk solusi ini tersedia di Repositori GitHub.
Untuk informasi lebih lanjut tentang kerangka kerja berbasis SaaS, lihat Kerangka Perjalanan SaaS: Membangun Solusi SaaS Baru di AWS.
Tentang Penulis
Hasan Poonawala adalah Arsitek Solusi Spesialis AI/ML Senior di AWS, yang bekerja dengan pelanggan Layanan Kesehatan dan Ilmu Hayati. Hasan membantu merancang, menerapkan, dan menskalakan aplikasi AI Generatif dan pembelajaran Mesin di AWS. Dia memiliki lebih dari 15 tahun pengalaman kerja gabungan dalam pembelajaran mesin, pengembangan perangkat lunak, dan ilmu data di cloud. Di waktu luangnya, Hasan senang menjelajahi alam dan menghabiskan waktu bersama teman dan keluarga.
Anastasia Tzeveleka adalah Arsitek Solusi Spesialis AI/ML Senior di AWS. Sebagai bagian dari pekerjaannya, dia membantu pelanggan di seluruh EMEA membangun model dasar dan menciptakan solusi AI generatif dan pembelajaran mesin yang dapat diskalakan menggunakan layanan AWS.
Brutidak ada Piston adalah Arsitek Solusi Spesialis AI dan ML Generatif untuk AWS yang berbasis di Milan. Dia bekerja dengan pelanggan besar untuk membantu mereka memahami secara mendalam kebutuhan teknis mereka dan merancang solusi AI dan Machine Learning yang memanfaatkan AWS Cloud dan tumpukan Amazon Machine Learning dengan sebaik-baiknya. Keahliannya meliputi: Machine Learning end to end, Machine Learning Industrialization, dan Generative AI. Dia senang menghabiskan waktu bersama teman-temannya dan menjelajahi tempat-tempat baru, serta bepergian ke destinasi baru.
Vikesh Pandey adalah arsitek Solusi AI/ML Generatif, yang berspesialisasi dalam layanan keuangan di mana ia membantu pelanggan keuangan membangun dan menskalakan platform dan solusi AI/ML Generatif yang menjangkau ratusan hingga bahkan ribuan pengguna. Di waktu senggangnya, Vikesh suka menulis di berbagai forum blog dan membuat lego bersama anaknya.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-an-internal-saas-service-with-cost-and-usage-tracking-for-foundation-models-on-amazon-bedrock/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 000
- 1
- 120
- 15 tahun
- 15%
- 160
- 26%
- 500
- 7
- a
- Tentang Kami
- mengakses
- mengakses
- Akun
- di seluruh
- menyesuaikan
- menambahkan
- tambahan
- Tambahan
- Selain itu
- admin
- administrator
- diadopsi
- agregat
- AI
- Model AI
- Platform AI
- AI / ML
- Semua
- alokasi
- mengizinkan
- memungkinkan
- sepanjang
- sudah
- juga
- Amazon
- Pembelajaran Mesin Amazon
- Amazon QuickSight
- Amazon Web Services
- an
- dan
- Lain
- Antropik
- Apa pun
- selain
- api
- Akses API
- KUNCI API
- Lebah
- Aplikasi
- aplikasi
- Mendaftar
- pendekatan
- disetujui
- arsitektur
- arsitektur
- ADALAH
- AS
- ditugaskan
- terkait
- asosiasi
- At
- Audit
- Otentikasi
- otorisasi
- berwenang
- tersedia
- AWS
- berdasarkan
- dasar
- dasar
- BE
- karena
- Awal
- TERBAIK
- Lebih baik
- antara
- Blog
- tubuh
- kedua
- luas
- anggaran belanja
- membangun
- Bangunan
- bisnis
- by
- dihitung
- menghitung
- panggilan
- panggilan
- CAN
- kemampuan
- menangkap
- menangkap
- kasus
- pusat
- Pusat
- terpusat
- tantangan
- mengubah
- pilihan
- klien
- klien
- awan
- kode
- Kolom
- bergabung
- Umum
- Perusahaan
- komponen
- komponen
- menghitung
- konfigurasi
- koneksi
- konsisten
- terdiri
- konsul
- memakan
- Konsumen
- memakan
- konsumsi
- Konten
- kontrol
- mengendalikan
- kontrol
- Biaya
- Biaya
- bisa
- membuat
- dibuat
- adat
- pelanggan
- harian
- data
- ilmu data
- penyimpanan data
- hari
- dedicated
- sangat
- menetapkan
- didefinisikan
- ditolak
- Departemen
- Tergantung
- menyebarkan
- dikerahkan
- penyebaran
- menyebarkan
- menggambarkan
- dijelaskan
- Mendesain
- merancang
- tujuan
- rinci
- rincian
- dikembangkan
- Pengembangan
- tim pengembangan
- diagram
- berbeda
- ukuran
- langsung
- membahas
- dibahas
- do
- Tidak
- Dont
- setiap
- Terdahulu
- Mudah
- efek
- antara
- embedding
- EMEA
- aktif
- diaktifkan
- akhir
- ujung ke ujung
- Titik akhir
- meningkatkan
- memastikan
- Seluruh
- Lingkungan Hidup
- lingkungan
- kesalahan
- menetapkan
- Bahkan
- Acara
- contoh
- melebihi
- Pasar Valas
- ada
- pengalaman
- keahlian
- menjelaskan
- Menjelaskan
- menyelidiki
- Menjelajahi
- ekspres
- luas
- akrab
- keluarga
- File
- penyaringan
- keuangan
- jasa keuangan
- cocok
- keluwesan
- aliran
- Fokus
- berikut
- berikut
- Untuk
- format
- forum
- Prinsip Dasar
- dasar
- Foundations
- Kerangka
- kerangka
- Frekuensi
- teman
- dari
- depan
- Ujung depan
- sepenuhnya
- fungsi
- fungsionil
- fungsi
- fungsi
- lebih lanjut
- pintu gerbang
- gateway
- Umum
- dihasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapat
- GitHub
- diberikan
- Go
- pemerintahan
- diatur
- Kelompok
- menangani
- Kejadian
- Memiliki
- memiliki
- he
- kesehatan
- tinggi
- membantu
- membantu
- dia
- di sini
- High
- berkinerja tinggi
- -nya
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- Ratusan
- ID
- identifier
- mengenali
- identitas
- if
- gambar
- Dampak
- melaksanakan
- diimplementasikan
- in
- memasukkan
- Termasuk
- sendiri-sendiri
- disimpulkan
- informasi
- Infrastruktur
- berinovasi
- memasukkan
- input
- instruksi
- mengintegrasikan
- Mengintegrasikan
- integrasi
- berinteraksi
- interaksi
- interaksi
- Antarmuka
- intern
- ke
- dipanggil
- isolasi
- isu
- mengeluarkan
- IT
- item
- NYA
- perjalanan
- jpg
- kunci
- kunci-kunci
- Anak
- Labs
- Bahasa
- besar
- Terakhir
- Latensi
- lapisan
- lapisan
- terkemuka
- BELAJAR
- pengetahuan
- Tingkat
- Hidup
- Biologi
- 'like'
- 'like
- batas
- baris
- baris
- Daftar
- lokal
- penebangan
- logika
- melihat
- terlihat seperti
- Lot
- mencintai
- Rendah
- mesin
- Mesin belajar
- mempertahankan
- membuat
- mengelola
- berhasil
- pengelolaan
- pelaksana
- banyak
- peta
- maksimum
- Mungkin..
- mekanisme
- Pelajari
- tersebut
- meta
- metode
- layanan microser
- microservices
- mungkin
- MILAN
- ML
- mode
- model
- model
- Memantau
- lebih
- paling
- banyak
- beberapa
- Alam
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- jaringan
- New
- jumlah
- bernomor
- terjadi
- of
- Penawaran
- on
- Sesuai Permintaan
- ONE
- hanya
- Buka
- open source
- beroperasi
- operasi
- Opsi
- or
- urutan
- organisasi
- Lainnya
- garis besar
- keluaran
- output
- lebih
- sendiri
- halaman
- parameter
- parameter
- bagian
- untuk
- prestasi
- Izin
- Tempat
- rencana
- rencana
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- kebijaksanaan
- kolam
- Pos
- potensi
- didukung
- mendahului
- sudah ditentukan sebelumnya
- Premium
- hadiah
- sebelumnya
- sebelumnya
- harga
- di harga
- pribadi
- swasta
- Produksi
- Produk
- Pemrograman
- bahasa pemrograman
- proyek
- diusulkan
- memberikan
- disediakan
- penyedia
- menyediakan
- menyediakan
- ketentuan
- Ular sanca
- pertanyaan
- segera
- menaikkan
- jarak
- Penilaian
- Baca
- baru
- lihat
- referensi
- daftar
- mendaftar
- Pendaftaran
- Mengatur
- relevan
- laporan
- gudang
- merupakan
- permintaan
- permintaan
- membutuhkan
- Persyaratan
- dilindungi
- Sumber
- menghormati
- itu
- masing-masing
- tanggapan
- tanggung jawab
- ISTIRAHAT
- membatasi
- kembali
- Pengembalian
- Peran
- rute
- Aturan
- Run
- berjalan
- SaaS
- sama
- disimpan
- terukur
- Skala
- sisik
- skenario
- menjadwalkan
- Ilmu
- ILMU PENGETAHUAN
- cakupan
- bagian
- aman
- keamanan
- melihat
- pencarian
- DIRI
- mengirimkan
- senior
- mengirim
- terpisah
- Server
- Tanpa Server
- layanan
- Layanan
- set
- set
- penyiapan
- Share
- berbagi
- dia
- Menunjukkan
- ditunjukkan
- Sederhana
- kesederhanaan
- tunggal
- ukuran
- Perangkat lunak
- perangkat lunak sebagai layanan
- pengembangan perangkat lunak
- larutan
- Solusi
- beberapa
- sumber
- mengkhususkan diri
- spesialis
- tertentu
- Secara khusus
- spesifikasi
- ditentukan
- kecepatan
- menghabiskan
- Pengeluaran
- Stabilitas
- tumpukan
- awal
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- toko
- strategi
- subnet
- sukses
- seperti itu
- cukup
- yakin
- tabel
- target
- tim
- tim
- Teknis
- Teknologi
- Template
- penyewa
- istilah
- teks
- bahwa
- Grafik
- informasi
- mereka
- Mereka
- diri
- kemudian
- Sana.
- Ini
- mereka
- hal
- ini
- ribuan
- Melalui
- keluaran
- tingkat
- waktu
- titan
- untuk
- token
- Token
- Topik
- Total
- jalur
- Pelacakan
- trek
- benar
- dua
- mengetik
- khas
- memahami
- unik
- membuka kunci
- diperbarui
- penggunaan
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna
- kegunaan
- menggunakan
- v1
- nilai
- berbagai
- versi
- Versi
- melalui
- View
- jarak penglihatan
- visualisasi
- membayangkan
- we
- jaringan
- layanan web
- Soket web
- BAIK
- Apa
- Apa itu
- ketika
- yang
- sementara
- SIAPA
- lebar
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- kerja
- bekerja
- akan
- menulis
- tahun
- Kamu
- Anda
- zephyrnet.dll