Saltar al contenido
← Catálogo
Machine learningIntermedio

Amazon Bedrock

Acceso por API a modelos fundacionales de varios proveedores, sin administrar infraestructura ni descargar pesos.

En palabras simples

Es el enchufe universal de los modelos de IA: cambiar de proveedor es cambiar el nombre del modelo en una línea, no rehacer la instalación eléctrica.

Cuándo aplicarlo

Cuando la aplicación necesita generar o entender texto, imágenes o código, y no tiene sentido entrenar un modelo propio desde cero.

  • ▸Resumir documentos largos o generar borradores de texto
  • ▸Responder preguntas sobre la documentación propia con recuperación aumentada
  • ▸Clasificar y extraer información de textos libres
  • ▸Asistentes conversacionales sobre datos de la organización

Vocabulario mínimo

Modelo fundacional
Un modelo grande ya entrenado y de propósito general, servido por API sin que tú lo alojes.
Token
La unidad de facturación: fragmentos de texto de entrada y de salida. El precio se cuenta por millar o por millón.
Base de conocimientos
La función que indexa documentos propios para que el modelo responda citando esas fuentes.
Barrera de protección (guardrail)
Las reglas que filtran temas y contenido no deseado en la entrada y en la salida del modelo.
Agente
La configuración que permite al modelo invocar API propias para completar una tarea de varios pasos.

Costo y capa gratuita

Cómo se cobra
Por token de entrada y de salida, con precio distinto según el modelo. Existe además el rendimiento aprovisionado, que reserva capacidad por hora para cargas constantes.
Capa gratuita
No hay capa gratuita general. Como se paga por token, las pruebas pequeñas cuestan centavos, pero el consumo crece rápido con textos largos.

Cuidado con los créditos

  • ⚠Enviar el documento completo en cada consulta en vez de recuperar solo los fragmentos relevantes.
  • ⚠Elegir el modelo más grande por costumbre: para clasificar o extraer datos, uno pequeño suele bastar y cuesta mucho menos.
  • ⚠Rendimiento aprovisionado contratado para un tráfico que no llegó: se paga por hora reservada.

Descripción

Bedrock es una API única delante de modelos de varios proveedores, incluidos los propios de Amazon. Los modelos corren en la infraestructura de AWS: no hay que descargar pesos, aprovisionar GPU ni mantener un servidor de inferencia, y los datos enviados no se usan para entrenar los modelos.

Su ventaja de diseño es la portabilidad. Cambiar de modelo — porque salió uno mejor, más barato o más rápido — es cambiar un identificador en la llamada. Esa flexibilidad importa en un campo donde la mejor opción cambia cada pocos meses.

Cómo funciona

  1. Solicitas acceso a los modelos que quieras usar dentro de tu cuenta y región.
  2. La aplicación llama a la API con la instrucción y los parámetros de generación.
  3. Se factura por tokens de entrada y de salida, así que el tamaño del contexto es el costo.
  4. Una base de conocimientos indexa documentos propios y añade solo los fragmentos relevantes a cada consulta, que es el patrón de recuperación aumentada.
  5. Las barreras de protección filtran temas y contenido, y los agentes permiten que el modelo invoque API propias para completar tareas.

Manos a la obra

  • Solicita acceso a un par de modelos y prueba la misma instrucción en ambos desde el patio de juegos.
  • Llama a la API desde una función Lambda y devuelve la respuesta por API Gateway.
  • Compara el costo de la misma tarea con un modelo grande y con uno pequeño.
  • Crea una base de conocimientos con documentos del club y pregunta sobre ellos.
  • Configura una barrera de protección y comprueba cómo cambia la respuesta ante una entrada vetada.

Ejemplo visual

Responder preguntas sobre documentos propiospreguntaconsultacontextoPersonapreguntaAWS LambdaorquestaAmazon BedrockmodeloAmazon S3documentos
Responder preguntas sobre documentos propiosUna persona hace una pregunta desde la aplicación web, que llega a Amazon API Gateway y de ahí a una función de AWS Lambda. La función consulta la base de conocimientos de Amazon Bedrock, que busca en los documentos indexados desde Amazon S3 los fragmentos relevantes y se los entrega al modelo fundacional junto con la pregunta. El modelo redacta la respuesta citando esas fuentes. El modelo no fue entrenado con los documentos del club: los recibe como contexto en cada consulta.

Ese patrón — recuperar primero, generar después — es el que permite que un modelo general responda con información que nunca vio durante su entrenamiento.

Cuándo NO es la mejor opción

  • Amazon SageMaker AI — si el caso exige un modelo propio entrenado con datos que ningún modelo general conoce.
  • Amazon Comprehend — si la tarea es análisis de sentimiento o extracción de entidades, una API específica es más barata y predecible.
  • Amazon Q — si lo que se busca es un asistente ya construido y no una API sobre la que programar.

Se usa junto con

Amazon SageMaker AIAmazon NovaAmazon KendraAWS Lambda

Aparece en certificaciones

  • AWS Certified AI Practitioner
  • AWS Certified Machine Learning Engineer – Associate

Para profundizar