Las organizaciones que utilizan aplicaciones de inteligencia artificial (IA) para atender a múltiples inquilinos se enfrentan a un desafío común: cómo rastrear, analizar y optimizar el uso de modelos a través de diferentes segmentos de clientes. Amazon Bedrock ofrece modelos fundamentales a través de su API Converse, pero el verdadero valor empresarial surge al poder conectar las interacciones de los modelos con inquilinos, usuarios y casos de uso específicos.

Para abordar este desafío, el parámetro requestMetadata de la API Converse ofrece una solución eficaz. Al pasar identificadores específicos de inquilinos y información contextual con cada solicitud, se pueden transformar los registros de invocación estándar en conjuntos de datos analíticos enriquecidos. Esto permite medir el rendimiento del modelo, seguir patrones de uso y asignar costos con una precisión a nivel de inquilinos, sin necesidad de modificar la lógica central de la aplicación.

La gestión de costos en entornos de carga de trabajo de IA generativa es una tarea diaria para las organizaciones, especialmente al utilizar modelos en demanda que no permiten etiquetar la asignación de costos. El seguimiento manual de gastos y la dependencia de controles reactivos pueden generar riesgos de sobrecostos e ineficiencias operativas. Los perfiles de inferencia de aplicaciones permiten aplicar etiquetas personalizadas, como inquilino o proyecto, directamente a los modelos en demanda, permitiendo un seguimiento granular de los costos. Combinado con herramientas de gestión de costos de AWS, las organizaciones pueden automatizar alertas presupuestarias y fomentar la innovación mediante una mayor visibilidad en el gasto de IA.

Sin embargo, la administración de costos y recursos en grandes entornos multi-inquilino presenta complejidades adicionales. La gestión del ciclo de vida de los perfiles de inferencia conlleva desafíos operativos, incluyendo la creación, actualización y eliminación de perfiles a gran escala. La automatización de estos procesos exige una sólida gestión de errores, principalmente en casos como conflictos de nombres de perfiles y cambios en las políticas de acceso.

Además, las limitaciones en el etiquetado de asignación de costos pueden ser restrictivas para organizaciones que requieren un seguimiento granular. Esto lleva a muchas a implementar un enfoque de seguimiento desde el lado del consumidor o del cliente, donde el etiquetado basado en metadatos puede ser más adecuado.

El uso de la API Converse para incluir metadatos de solicitud al llamar a los modelos de Amazon Bedrock permite un seguimiento y una gestión más específicos. No obstante, estos metadatos no afectan la respuesta del modelo y principalmente sirven para fines de control y seguimiento interno.

Un marco arquitectónico que convierte los registros de invocación de Amazon Bedrock con metadatos de inquilinos en información útil para la inteligencia empresarial ha sido diseñado. La arquitectura incluye componentes que permiten procesar, transformar y visualizar estos datos, lo que proporciona a las organizaciones una visión clara sobre patrones de uso y métricas de rendimiento.

Los paneles de control en Amazon QuickSight pueden transformar los datos de inquilinos en información procesable. Ofrecen insights sobre patrones de uso, consultas populares y métricas de rendimiento, segmentadas por inquilinos, lo que ayuda a entender la economía de las aplicaciones de IA multi-inquilino.

Implementar metadatos específicos de inquilinos a través de la API Converse de Amazon Bedrock no solo mejora la capacidad analítica de las aplicaciones de IA, sino que también proporciona una base sólida para las decisiones empresariales. Con este enfoque, las organizaciones pueden optimizar el rendimiento del modelo de acuerdo a las necesidades específicas de los inquilinos y tener un control más preciso sobre los costos. Así, se establece una estrategia de futuro más robusta en el ámbito de la inteligencia artificial.
vía: AWS machine learning blog