Fala galera, novamente estou aqui para trazer o meu resumo pessoal de um curso gratuito que eu estou fazendo na AWS SkillBuilder. Dessa vez, o curso é sobre o Amazon Bedrock, uma plataforma de IA que a AWS lançou recentemente.

Se interessou pelo curso? a AWS oferece ele gratuitamente no portal de cursos SkillBuilder, e o curso está disponível em várias linguas: Introdução ao Amazon Bedrock

Além de falar especificamente sobre Bedrock, a ideia aqui é desmitificar alguns conceitos de IA. Bora lá?

O que é o Amazon Bedrock?

O Amazon Bedrock é um serviço auto gerenciado, que oferece uma gama de foundation models disponíveis no mercado, além de um conjunto de recursos que permite você dimensionar e criar rapidamente aplicações de inteligencia artificial generativa (genAI).

Foundation models ou FMs são modelos de IA que são treinados em uma grande quantidade de dados e são capazes de gerar texto, imagens, áudio e outros tipos de dados.

Principais características

A grande proposta do Amazon Bedrock é oferecer uma plataforma de IA que seja fácil de usar, escalável e segura. Para isso, o Bedrock oferece uma série de recursos que facilitam o desenvolvimento de aplicações de IA.

Foundation models

Você pode escolher entre uma variedade de foundation models, desde modelos de terceiros (sujeitos a preços e regulações) como AI21 Labs, Anthropic, Cohere, Meta, Mistral AI, e Stability AI até modelos feitos pela AWS como as famílias de FMs Amazon Titan, Jurassic, Claude, Command, Embed, Llama, Mistral, and Stable Diffusion. Esses FMs suportam várias modalidades, incluindo texto, imagem, áudio, e multimodal.

Multimodal é um modelo que suporta mais de uma modalidade, como texto e imagem.

Customização de FMs

Conseguir treinar um modelo de IA do zero é uma tarefa muito complexa e cara. Por isso, o Bedrock oferece algumas possibilidades de customização da base das FMs, assim você pode deixar o modelo mais específico para a sua aplicação. Duas dessas técnicas são:

• Retrieval and Generation (RAG): permite que você faça uma busca em um grande conjunto de dados e gere uma resposta baseada nesses dados.

• Fine-tuning: permite que você treine um modelo com seus próprios dados, para que ele possa gerar respostas mais específicas.

No geral, Fine-tuning é mais útil para especializar um modelo em uma tarefa, enquanto RAG é vantajoso quando se precisa de informações dinâmicas e atualizadas, integrando-as ao processo de geração de texto.

Segurança e privacidade

Um dos grandes problemas que temos com IA atualmente é o potencial risco de segurança da informação. Em modelos mais abertos como o GPT, é muito difícil ter certeza de que o dados inputado não sera utilizado para treinar o modelo, e até mesmo para gerar respostas para outros usuário, causando uma exposição do dado da empresa (ou pessoal). Pensando nisso, o Bedrock implementa algumas soluções que visam garantir a segurança e privacidade dos dados.

Dados privados

Sempre que você treinar um modelo base (FM) disponível no Bedrock, uma nova cópia do modelo é gerada, de forma privada, na sua conta. Isso significa que você não compartilha dados com outros usuários e bots, o que geralmente acontece quando você usa uma api aberta e compartilhada.

Guardrails

Para evitar usuários "espertinhos", o Bedrock oferece guardrails que adicionam uma camada de verificação tanto do input do usuário, quanto do output do modelo.

Com isso você pode garantir que seu "bot" não vai sair por aí falando besteira ou ofendendo alguém e também impedir que o usuário tente burlar o sistema.

Conclusão

A AWS entrou na corrida pela IA fazendo um produto que é voltado para negócios. Com o AWS Bedrock ficou muito mais simples e seguro criar uma inteligência artificial que tem os dados da sua empresa e consegue gerar respostas mais específicas e seguras.

Espero que tenham gostado do resumo, e se tiverem alguma dúvida ou sugestão, deixem nos comentários. Continue lendo no post Componentes de uma IA generativa. Até a próxima!