动手实验室 — AIF-C01 AWS Certified AI Practitioner

概述

先决条件

步骤

1. 1.选择我们的 Terraform 版本和 AWS 区域

   在创建任何资源之前，我们需要告诉 Terraform 我们预期的版本以及我们将使用的 AWS 提供商（Provider）。我们将 AWS 提供商的版本固定为 ~> 5.60，因为我们在本实验室中接触的每个与 Amazon Bedrock 相关的资源都在该版本线中引入。我们将所有内容都部署到 us-east-1——AWS 会首先在该区域推出基础模型，而且大多数 AIF-C01 考试题目在提到“最新”服务时，都会假设该服务在 us-east-1 可用。

   将此代码放入一个新的 main.tf 文件中以开始。实验室后续的所有内容都将放在同一个文件中。

   复制

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

2. 2.为 AI 服务提供一个用于读取输入和写入输出的 Amazon S3 存储空间

   配置服务：

   • Amazon S3

   我们在本实验室中使用的每个 AWS AI 服务（今天的 Amazon Bedrock，以及我们将在步骤 5 中配置的审计日志）都会通过 Amazon S3 读取输入并写入输出，因此第一块真正的基础设施是一个存储桶。我们几乎会在后面的每一步中再次用到它。

   我们启用版本控制以便在上传损坏时进行回滚，锁住公共访问权限（这些是训练输入和模型调用日志，而不是网站静态资源），并启用 AES256 静态加密。最后一点对 AIF-C01 考试非常重要——AI 解决方案的安全、合规性与治理领域会明确测试您是否默认对任何 AI 数据存储采用静态加密。

   复制

   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.允许 Amazon Bedrock 扮演 AWS IAM 角色以实际运行我们的调用

   配置服务：

   • AWS IAM

   Amazon Bedrock 自身无法直接调用模型——它需要扮演一个 AWS IAM 角色。我们创建了一个角色，其信任策略将 bedrock.amazonaws.com 指定为唯一允许的主体（Principal），然后附加了一个最小权限策略：允许调用任何基础模型，并且只对我们在步骤 2 中创建的 Amazon S3 存储桶进行读写。

   像这样的最小特权（Least-privilege）模式是 AIF-C01 考试中经常出现的主题。请注意，我们并没有授予 s3:* 权限——仅授予了我们实际需要的两个对象操作，且仅限于我们存储桶内的对象。在多选题场景中，考试会奖励识别出这种模式的考生：当两个选项都“可行”时，限制更严格的那个通常才是正确的。

   复制

   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.添加安全护栏以防止模型输出 PII 或被拒的主题

   配置服务：

   • Amazon Bedrock Guardrails

   Amazon Bedrock 模型本身会乐意回答其训练数据允许的任何问题。安全护栏（Guardrail）位于每次模型调用的前置环节，并且独立于您使用的基础模型应用内容和 PII 策略——这意味着单个安全护栏可以同时覆盖 Claude、Llama、Titan 以及未来的任何模型。

   在这里，我们配置了两个层级。内容过滤器（Content filter）在提示词和回复中都阻止高严重性的仇恨/暴力/性内容，而敏感信息策略（Sensitive-information policy）则阻止电子邮件、电话号码和美国社会保障号（SSN）泄露。这些直接对应于 AIF-C01 考试的可信赖 AI 指南领域——内容过滤和 PII 处理是该领域的两个主要支柱。

   有了安全护栏，我们在步骤 3 中构建的角色就可以调用模型，并且结果在到达调用者之前会被过滤。

   复制

   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.启用日志记录以便拥有每次提示词和回复的审计追踪

   配置服务：

   • Amazon Bedrock
   • Amazon CloudWatch Logs
   • AWS IAM

   Amazon Bedrock 调用日志记录（Invocation logging）会捕获账户和区域中每次模型调用的完整提示词、回复和嵌入向量（Embedding）负载。它会写入 Amazon CloudWatch Logs（适合临时检索）和 Amazon S3（适合长期保存）——我们同时配置了这两者。我们附加的角色仅授予 Amazon Bedrock 服务所需的具体操作，没有多余权限。

   一个值得了解的与 AIF-C01 相关的注意事项：调用日志记录是一个单例（Singleton）——每个账户在每个区域只能有一个配置。如果您在 us-east-1 中第二次运行此实验室，Terraform 会报告没有更改，但现有的配置会被重新绑定。如果您需要更改日志目标，请在重新运行前销毁现有配置。

   配置日志后，我们通过步骤 4 的安全护栏对步骤 3 的角色进行的每次模型调用，最终都会归档在步骤 2 的存储桶中。这就是完整的审计链——正是考试期望您能够描述的那种“向我展示证据”的场景。

   复制

   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/"
       }
     }
   }

清理