Executar exemplos de solicitações de API do Amazon Bedrock usando um caderno do Amazon SageMaker

Esta seção orienta você a experimentar algumas operações comuns no Amazon Bedrock usando um caderno do Amazon SageMaker para testar se as permissões e a autenticação estão configuradas corretamente. Antes de executar os exemplos abaixo, verifique se os seguintes pré-requisitos foram atendidos:

Pré-requisitos

• Você tem uma Conta da AWS e permissões para acessar uma função com as permissões necessárias para o Amazon Bedrock. Caso contrário, siga as etapas em Já tenho uma Conta da AWS.

• Você solicitou acesso ao modelo Amazon Titan Text G1 - Express. Caso contrário, siga as etapas em Solicitar acesso a um modelo de base do Amazon Bedrock.

• Execute as seguintes etapas para configurar as permissões do IAM para o SageMaker e criar um caderno:

  1. Modifique a política de confiança da função do Amazon Bedrock que configurou em Já tenho uma Conta da AWS por meio do console, da CLI ou da API. Anexe a seguinte política de confiança à função para permitir que os serviços do Amazon Bedrock e do SageMaker assumam a função do Amazon Bedrock:

     {
         "Version": "2012-10-17",
         "Statement": [
             {
                 "Sid": "BedrockTrust",
                 "Effect": "Allow",
                 "Principal": {
                     "Service": "bedrock.amazonaws.com"
                 },
                 "Action": "sts:AssumeRole"
             },
             {
                 "Sid": "SagemakerTrust",
                 "Effect": "Allow",
                 "Principal": {
                     "Service": "sagemaker.amazonaws.com"
                 },
                 "Action": "sts:AssumeRole"
             }
         ]
     }

  2. Faça login na função do Amazon Bedrock cuja política de confiança você acabou de modificar.

  3. Siga as etapas em Criar uma instância de caderno do Amazon SageMaker para o tutorial e especifique o ARN da função do Amazon Bedrock que você criou para criar uma instância do caderno do SageMaker.

  4. Quando o Status da instância do caderno for InService, escolha a instância e escolha Abrir JupyterLab.

Após a abertura do primeiro caderno do SageMaker, é possível experimentar os seguintes exemplos:

Listar os modelos de base que o Amazon Bedrock oferece

O exemplo a seguir executa a operação ListFoundationModels usando um cliente do Amazon Bedrock. ListFoundationModels lista os modelos de base (FMs) que estão disponíveis no Amazon Bedrock em sua região. Execute o seguinte script do SDK para Python para criar um cliente do Amazon Bedrock e testar a operação ListFoundationModels:

# Use the ListFoundationModels API to show the models that are available in your region.
import boto3
             
# Create an &BR; client in the &region-us-east-1; Region.
bedrock = boto3.client(
    service_name="bedrock"
)

bedrock.list_foundation_models()

Se o script for bem-sucedido, a resposta retornará uma lista de modelos de base que estão disponíveis no Amazon Bedrock.

Enviar um prompt de texto a um modelo e gerar uma resposta

O exemplo a seguir executa a operação Converse usando um cliente do Amazon Bedrock. Converse permite enviar um prompt para gerar uma resposta do modelo. Execute o seguinte script do SDK para Python para criar um cliente de runtime do Amazon Bedrock e testar a operação Converse:

# Use the Conversation API to send a text message to Amazon Titan Text G1 - Express.

import boto3
from botocore.exceptions import ClientError

# Create an Amazon Bedrock Runtime client.
brt = boto3.client("bedrock-runtime")

# Set the model ID, e.g., Amazon Titan Text G1 - Express.
model_id = "amazon.titan-text-express-v1"

# Start a conversation with the user message.
user_message = "Describe the purpose of a 'hello world' program in one line."
conversation = [
    {
        "role": "user",
        "content": [{"text": user_message}],
    }
]

try:
    # Send the message to the model, using a basic inference configuration.
    response = brt.converse(
        modelId=model_id,
        messages=conversation,
        inferenceConfig={"maxTokens": 512, "temperature": 0.5, "topP": 0.9},
    )

    # Extract and print the response text.
    response_text = response["output"]["message"]["content"][0]["text"]
    print(response_text)

except (ClientError, Exception) as e:
    print(f"ERROR: Can't invoke '{model_id}'. Reason: {e}")
    exit(1)

Se o comando for bem-sucedido, a resposta retornará o texto gerado pelo modelo em resposta ao prompt.