Лабораторная работа — AIF-C01 AWS Certified AI Practitioner

Обзор

Предварительные требования

Шаги

1. 1.Выбрать версию Terraform и регион AWS

   Прежде чем создавать ресурсы, нам нужно указать Terraform, какую версию утилиты мы используем и какой провайдер AWS нам понадобится. Мы фиксируем версию провайдера AWS на уровне ~> 5.60, так как все связанные с Bedrock ресурсы, которые мы задействуем, появились именно в этой ветке. Развертывание выполняется в регионе us-east-1 — AWS запускает базовые модели там в первую очередь, и большинство вопросов экзамена AIF-C01 предполагают доступность новейших сервисов именно в us-east-1.

   Поместите этот код в новый файл main.tf. Все последующие конфигурационные блоки мы будем добавлять в этот же файл.

   Копировать

   terraform {
     required_version = ">= 1.5"
   
     required_providers {
       aws = {
         source  = "hashicorp/aws"
         version = "~> 5.60"
       }
     }
   }
   
   provider "aws" {
     region = "us-east-1"
   }

2. 2.Создать S3-бакет для чтения входных и записи выходных данных сервисов ИИ

   Создаваемые ресурсы:

   • Amazon S3

   Все сервисы ИИ AWS, которые мы используем в этой лабораторной работе (Bedrock на текущем этапе и аудит-логирование, которое мы настроем на Шаге 5), считывают входные данные и сохраняют результаты через Amazon S3. Поэтому первым реальным элементом инфраструктуры станет бакет. Мы будем возвращаться к нему практически на каждом последующем шаге.

   Мы включим версионирование, чтобы иметь возможность откатить поврежденные загрузки, полностью заблокируем публичный доступ (ведь это обучающие данные и логи вызова моделей, а не публичные файлы веб-сайта) и настроем шифрование AES256 при хранении (encryption at rest). Последнее особенно важно для экзамена AIF-C01: домен Security, Compliance, and Governance for AI Solutions проверяет умение применять шифрование при хранении по умолчанию для любых хранилищ данных ИИ.

   Копировать

   resource "aws_s3_bucket" "ai_data" {
     bucket_prefix = "certlabpro-aif-c01-"
   }
   
   resource "aws_s3_bucket_public_access_block" "ai_data" {
     bucket = aws_s3_bucket.ai_data.id
   
     block_public_acls       = true
     block_public_policy     = true
     ignore_public_acls      = true
     restrict_public_buckets = true
   }
   
   resource "aws_s3_bucket_versioning" "ai_data" {
     bucket = aws_s3_bucket.ai_data.id
   
     versioning_configuration {
       status = "Enabled"
     }
   }
   
   resource "aws_s3_bucket_server_side_encryption_configuration" "ai_data" {
     bucket = aws_s3_bucket.ai_data.id
   
     rule {
       apply_server_side_encryption_by_default {
         sse_algorithm = "AES256"
       }
     }
   }

3. 3.Настроить IAM-роль для вызова моделей Bedrock

   Создаваемые ресурсы:

   • AWS IAM

   Сервис Bedrock не может выполнять вызовы моделей сам по себе — ему требуется IAM-роль, которую он сможет принимать. Мы создадим роль с политикой доверия (trust policy), указывающей bedrock.amazonaws.com в качестве единственного доверенного субъекта, и прикрепим политику с минимальными правами: вызов любых базовых моделей и чтение/запись только в пределах бакета, созданного на Шаге 2.

   Соблюдение принципа наименьших привилегий — одна из ключевых тем экзамена AIF-C01. Обратите внимание, что мы не даем права s3:*, а разрешаем только два конкретных действия с объектами, ограниченных содержимым нашего бакета. На экзамене часто проверяется умение находить подобные точечные настройки: если оба варианта ответа решают задачу, то более узкий и безопасный почти всегда будет верным.

   Копировать

   resource "aws_iam_role" "bedrock_caller" {
     name = "certlabpro-aif-c01-bedrock-caller"
   
     assume_role_policy = jsonencode({
       Version = "2012-10-17"
       Statement = [{
         Effect    = "Allow"
         Principal = { Service = "bedrock.amazonaws.com" }
         Action    = "sts:AssumeRole"
       }]
     })
   }
   
   resource "aws_iam_role_policy" "bedrock_caller" {
     name = "bedrock-invoke"
     role = aws_iam_role.bedrock_caller.id
   
     policy = jsonencode({
       Version = "2012-10-17"
       Statement = [
         {
           Effect = "Allow"
           Action = [
             "bedrock:InvokeModel",
             "bedrock:InvokeModelWithResponseStream",
           ]
           Resource = "arn:aws:bedrock:*::foundation-model/*"
         },
         {
           Effect = "Allow"
           Action = [
             "s3:GetObject",
             "s3:PutObject",
           ]
           Resource = "${aws_s3_bucket.ai_data.arn}/*"
         },
       ]
     })
   }

4. 4.Добавить фильтры безопасности (Guardrails) для защиты от утечки PII и нежелательного контента

   Создаваемые ресурсы:

   • Amazon Bedrock Guardrails

   Сама по себе модель Bedrock готова ответить на любой вопрос, если это позволяют ее обучающие данные. Фильтры безопасности (Guardrails) находятся перед каждым вызовом модели и применяют политики контента и персональных данных (PII) независимо от выбранной базовой модели. Это значит, что один и тот же фильтр будет работать для Claude, Llama, Titan и любых будущих моделей.

   В этом шаге мы настроим два уровня защиты. Фильтр контента блокирует неприемлемые высказывания, темы насилия и сексуального характера высокой степени выраженности как в промптах, так и в ответах. Политика конфиденциальной информации предотвращает утечку адресов электронной почты, номеров телефонов и номеров социального страхования США (SSN). Эти настройки напрямую связаны с требованиями домена Guidelines for Responsible AI экзамена AIF-C01, где фильтрация контента и обработка PII являются ключевыми темами.

   После настройки фильтра роль, созданная на Шаге 3, сможет вызывать модель, а результаты будут отфильтрованы перед отправкой пользователю.

   Копировать

   resource "aws_bedrock_guardrail" "safety" {
     name                      = "certlabpro-aif-c01-safety"
     description               = "Default safety rails for the lab."
     blocked_input_messaging   = "I can't help with that."
     blocked_outputs_messaging = "I can't share that response."
   
     content_policy_config {
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "HATE"
       }
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "VIOLENCE"
       }
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "SEXUAL"
       }
     }
   
     sensitive_information_policy_config {
       pii_entities_config {
         action = "BLOCK"
         type   = "EMAIL"
       }
       pii_entities_config {
         action = "BLOCK"
         type   = "PHONE"
       }
       pii_entities_config {
         action = "BLOCK"
         type   = "US_SOCIAL_SECURITY_NUMBER"
       }
     }
   }

5. 5.Включить логирование вызовов для аудита промптов и ответов

   Создаваемые ресурсы:

   • Amazon Bedrock
   • Amazon CloudWatch Logs
   • AWS IAM

   Логирование вызовов Bedrock позволяет сохранять полный промпт, ответ модели и эмбеддинги для каждого обращения в рамках аккаунта и региона. Логи направляются в CloudWatch Logs (удобно для быстрого поиска через grep) и в S3 (подходит для долгосрочного хранения) — мы настроим оба направления. Роль, которую мы подключим, предоставляет только те права, которые действительно необходимы сервису Bedrock.

   Важный нюанс для экзамена AIF-C01: конфигурация логирования вызовов является синглтоном — одна настройка на аккаунт в каждом регионе. Если вы запустите эту лабораторную работу повторно в регионе us-east-1, Terraform сообщит об отсутствии изменений, но текущая конфигурация будет перепривязана. Если вы захотите изменить места хранения логов, обязательно удалите старую конфигурацию (terraform destroy) перед повторным запуском.

   Теперь каждый вызов модели с использованием роли из Шага 3 через фильтр безопасности из Шага 4 будет архивироваться в бакете из Шага 2. Это обеспечивает полную цепочку аудита — именно такие механизмы подтверждения безопасности часто описываются в вопросах экзамена.

   Копировать

   resource "aws_iam_role" "bedrock_logging" {
     name = "certlabpro-aif-c01-bedrock-logging"
   
     assume_role_policy = jsonencode({
       Version = "2012-10-17"
       Statement = [{
         Effect    = "Allow"
         Principal = { Service = "bedrock.amazonaws.com" }
         Action    = "sts:AssumeRole"
       }]
     })
   }
   
   resource "aws_cloudwatch_log_group" "bedrock_invocations" {
     name              = "/aws/bedrock/invocations"
     retention_in_days = 30
   }
   
   resource "aws_iam_role_policy" "bedrock_logging" {
     name = "write-logs-and-s3"
     role = aws_iam_role.bedrock_logging.id
   
     policy = jsonencode({
       Version = "2012-10-17"
       Statement = [
         {
           Effect = "Allow"
           Action = [
             "logs:CreateLogStream",
             "logs:PutLogEvents",
           ]
           Resource = aws_cloudwatch_log_group.bedrock_invocations.arn
         },
         {
           Effect   = "Allow"
           Action   = "s3:PutObject"
           Resource = "${aws_s3_bucket.ai_data.arn}/bedrock-invocations/*"
         },
       ]
     })
   }
   
   resource "aws_bedrock_model_invocation_logging_configuration" "this" {
     logging_config {
       embedding_data_delivery_enabled = true
       image_data_delivery_enabled     = true
       text_data_delivery_enabled      = true
   
       cloudwatch_config {
         log_group_name = aws_cloudwatch_log_group.bedrock_invocations.name
         role_arn       = aws_iam_role.bedrock_logging.arn
       }
   
       s3_config {
         bucket_name = aws_s3_bucket.ai_data.bucket
         key_prefix  = "bedrock-invocations/"
       }
     }
   }

Очистка ресурсов