Well-Architected Generative AI Lens
Lens ini memperluas Well-Architected Framework ke aplikasi generative AI, dari pemilihan model sampai operasi berkelanjutan. Ia disebut eksplisit di Domain 1 exam guide.
Intisari
- Memperluas enam pilar Well-Architected ke pertimbangan khas generative AI.
- Mencakup seluruh siklus hidup: scoping, pemilihan model, deployment, sampai perbaikan berkelanjutan.
- Menekankan responsible AI dan tanggung jawab bersama antara produsen, penyedia, dan konsumen model.
- Ada AWS Well-Architected Tool untuk menjalankan tinjauan formal — disebut di Skill 1.1.3.
- Membaca lens ini melatih cara berpikir yang dipakai soal skenario di ujian.
Enam pilar, dibaca ulang untuk GenAI
| Pilar | Pertanyaan khas GenAI | Materi terkait |
|---|---|---|
| Operational excellence | Bagaimana kamu tahu kualitas jawaban menurun? | Evaluasi, observability (Fase 7) |
| Security | Apa yang mencegah prompt injection dan kebocoran data? | Guardrails, VPC, IAM (Fase 6) |
| Reliability | Apa yang terjadi saat model di-throttle atau tidak tersedia? | Cross-Region inference, circuit breaker (Fase 3, 1) |
| Performance efficiency | Model terkecil yang masih memenuhi kebutuhan? | Pemilihan model, caching (Fase 3, 7) |
| Cost optimization | Berapa biaya per percakapan, dan apa pemicunya? | Token, batch, caching (Fase 7) |
| Sustainability | Apakah komputasi yang dipakai sepadan dengan nilainya? | Pemilihan model, batch |
Tanggung jawab bersama untuk AI
Salah satu ide sentral lens ini: tanggung jawab terbagi antara produsen model, penyedia, dan konsumen model. Kamu sebagai pembangun aplikasi adalah konsumen — dan bagianmu tidak kecil.
| Pihak | Bertanggung jawab atas |
|---|---|
| Produsen model | Data pelatihan, perilaku dasar model, dokumentasi keterbatasan |
| Penyedia (AWS) | Infrastruktur, isolasi, ketersediaan, kontrol yang tersedia |
| Kamu | Kesesuaian pemakaian, data yang dimasukkan, pengaman yang dinyalakan, evaluasi, transparansi ke pengguna |
"Modelnya yang salah" bukan pembelaan yang berlaku kalau kamu tidak menyalakan guardrail, tidak mengevaluasi, dan tidak mendokumentasikan batas pemakaian.
Cara berpikir yang dilatihnya
Soal ujian sering menyodorkan beberapa solusi yang semuanya berfungsi. Yang membedakan adalah kendala yang disebut dalam skenario. Lens mengajarkan urutan pertanyaan yang sama:
- Apa kendala yang mengikat? (biaya, latensi, kepatuhan, beban operasional)
- Apakah ada layanan terkelola yang sudah menyelesaikannya?
- Apa yang gagal kalau komponen ini mati?
- Bagaimana kita tahu kalau kualitasnya menurun?
- Siapa yang bisa melihat data ini, dan berapa lama tersimpan?
Pola jawaban yang hampir selalu benar di ujian: pilih layanan terkelola daripada membangun sendiri kalau soal menyebut "beban operasional rendah"; pilih yang paling sempit izinnya kalau soal menyebut keamanan; pilih batch atau model lebih kecil kalau soal menyebut biaya. Yang menentukan bukan solusi favoritmu, melainkan kata kunci kendala di soal.
Well-Architected Tool
Exam guide Skill 1.1.3 menyebut AWS WA Tool Generative AI Lens secara eksplisit. Tool ini menjalankan tinjauan terstruktur atas beban kerjamu: serangkaian pertanyaan per pilar, dengan daftar risiko dan rencana perbaikan di akhirnya.
Menjalankannya sekali atas aplikasi yang kamu bangun di roadmap ini adalah latihan yang jauh lebih berguna daripada membaca lens-nya dua kali. Pertanyaan yang tidak bisa kamu jawab adalah peta belajarmu.
Bagian yang paling sering terlewat
| Aspek | Yang biasanya belum dikerjakan orang |
|---|---|
| Scoping | Menulis dengan jelas apa yang tidak akan dikerjakan sistem ini |
| Pemilihan model | Membandingkan dengan angka, bukan dengan kesan |
| Perbaikan berkelanjutan | Dataset evaluasi yang bertumbuh dari pemakaian nyata |
| Responsible AI | Memberi tahu pengguna bahwa mereka bicara dengan AI, dan apa batasnya |
| Keluar | Rencana kalau model yang dipakai dipensiunkan penyedianya |
Latihan: jalankan tinjauan Generative AI Lens di AWS Well-Architected Tool atas aplikasi capstone-mu. Catat tiga risiko tertinggi yang muncul, dan perbaiki satu di antaranya sebelum menjadwalkan ujian.
Rangkuman ini sengaja dipangkas ke bagian yang dipakai di roadmap. Buka sumber aslinya saat kamu butuh detail lengkap atau referensi parameter.