Fase 3 · Bedrock Dasar

Amazon Bedrock — pengantar

Bedrock adalah layanan terkelola untuk memakai foundation model lewat API, tanpa mengurus infrastruktur. Ia juga rumah bagi hampir seluruh materi sertifikasi AIP-C01.

Sumber asli docs.aws.amazon.com Resmi Rangkuman ~6 menit baca

Intisari

Bedrock tidak melatih model untukmu — ia menyediakan model milik banyak penyedia lewat satu API.
Dua bidang terpisah: bedrock (kelola) dan bedrock-runtime (panggil model).
Model harus diaktifkan aksesnya per region sebelum bisa dipanggil.
Fitur di atasnya: Knowledge Bases (RAG), Agents, Guardrails, Prompt Management, Evaluations.
Bayar per token untuk on-demand; ada juga batch (lebih murah) dan provisioned throughput (kapasitas tetap).

Posisi Bedrock di antara layanan AI AWS

Layanan	Untuk	Kamu mengurus
Bedrock	Memakai foundation model lewat API	Prompt dan aplikasi
SageMaker AI	Melatih, menyetel, dan meng-host model sendiri	Model, endpoint, dan skala
Amazon Q	Asisten siap pakai (bisnis dan developer)	Nyaris tidak ada
Comprehend, Textract, Transcribe	Tugas spesifik: entitas, OCR, transkripsi	Panggilan API saja

Ujian AIP-C01 berpusat di baris pertama, dengan SageMaker muncul untuk kasus model kustom, dan layanan baris terakhir muncul sebagai komponen pipeline — Comprehend untuk deteksi PII, Textract untuk membaca dokumen.

Yang ada di dalam Bedrock

Fitur	Menjawab	Fase
Model inference (Converse)	Bagaimana memanggil model?	3
Knowledge Bases	Bagaimana menjawab berdasarkan dokumenku?	4
Agents & AgentCore	Bagaimana model memakai tool dan mengambil langkah?	5
Guardrails	Bagaimana menyaring input dan output?	6
Prompt Management & Flows	Bagaimana mengelola prompt sebagai artefak?	5–6
Model Evaluation	Bagaimana tahu jawabannya membaik atau memburuk?	7
Batch inference	Bagaimana memproses jutaan prompt dengan murah?	7

Dua bidang, dua client

import boto3

kelola  = boto3.client("bedrock",         region_name="us-east-1")  # control plane
runtime = boto3.client("bedrock-runtime", region_name="us-east-1")  # data plane

# Bidang kelola: melihat apa yang tersedia
for m in kelola.list_foundation_models()["modelSummaries"][:5]:
    print(m["modelId"], "|", m["providerName"])

# Bidang runtime: benar-benar memanggil model
resp = runtime.converse(
    modelId="anthropic.claude-3-5-haiku-20241022-v1:0",
    messages=[{"role": "user", "content": [{"text": "Jelaskan RAG dalam dua kalimat."}]}],
)
print(resp["output"]["message"]["content"][0]["text"])

Pemisahan ini juga berlaku untuk izin. Aplikasi produksimu hampir selalu cukup punya izin runtime (bedrock:InvokeModel). Izin kelola (bedrock:CreateGuardrail, bedrock:DeleteKnowledgeBase) adalah milik pipeline IaC, bukan milik aplikasi.

Model ID dan versi

anthropic.claude-3-5-haiku-20241022-v1:0
└─ penyedia  └─ keluarga     └─ tanggal   └─ versi

Model ID bersifat spesifik — versi berbeda adalah model berbeda, dengan perilaku dan harga berbeda. Jangan menaruhnya sebagai literal yang tersebar di kode. Satu variabel environment, satu tempat, sehingga mengganti model tidak berarti menyisir seluruh repositori. Ini juga yang dimaksud exam guide dengan "dynamic model selection without code modification".

Cara ditagih

Mode	Bayar	Cocok untuk
On-demand	Per token masuk dan keluar	Hampir semua aplikasi interaktif
Batch	Per token, tarif lebih murah	Pekerjaan besar yang tidak buru-buru
Provisioned Throughput	Per jam per model unit	Beban stabil tinggi, atau model kustom

Token keluaran umumnya jauh lebih mahal daripada token masukan. Karena itu maxTokens bukan sekadar pembatas teknis — ia pengendali biaya langsung.

Latihan: cetak daftar seluruh model yang tersedia di us-east-1 beserta penyedianya, lalu saring hanya yang mendukung TEXT pada outputModalities. Simpan model ID yang akan kamu pakai sepanjang roadmap ini ke variabel environment MODEL_ID.

Rangkuman ini sengaja dipangkas ke bagian yang dipakai di roadmap. Buka sumber aslinya saat kamu butuh detail lengkap atau referensi parameter.