Amazon AIF-C01: Kostenoptimalisatie en Prijsstelling voor AI/ML — Studiegids
Onderdeel van de AWS AI Practitioner AIF-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.
Opslag, datalocatie, governance en observeerbaarheid voor kostenbeheersing
Opslagkeuzes beïnvloeden zowel de maandelijkse kosten als de naleving van wet- en regelgeving. Gebruik S3 met lifecycle policies, Intelligent-Tiering en gecomprimeerde formaten (Parquet/TFRecord) voor datasets; plaats actieve trainingsdata in tiers met hoge doorvoersnelheid en archiveer onbewerkte assets naar Glacier. Voor PII en dataresidentie, houd S3-buckets, KMS-sleutels en compute in de vereiste AWS-regio en beheer de toegang via VPC-eindpunten, IAM-beleidsregels en private networking om onbedoelde cross-region egress te voorkomen. Retrieval-pipelines voor RAG moeten vector stores (Amazon OpenSearch Service of een embedding store op EC2/EBS) coloceren met de inference-laag om overdrachtskosten en latency te vermijden. Observeerbaarheids- en explainability-tools zoals SageMaker Clarify, Debugger en Model Monitor bieden governance en vroege detectie van drift, maar brengen extra kosten met zich mee—implementeer op sampling gebaseerde monitors om de uitgaven te beheersen. Minimaliseer de ecologische voetafdruk en de rekening door efficiënte chips (Inferentia/Trainium) en batching te kiezen; een veelgemaakte fout is het inschakelen van volledige logging en continue modelmonitoring zonder sampling-drempels, wat zowel de kosten als de ruis verhoogt en tegelijkertijd weinig incrementele waarde biedt.
Praktijkprobleem: Use-Case Scenario
Scenario: Acme Retail gebruikt een AWS AI-stack met Amazon Bedrock voor LLM-toegang, Amazon SageMaker voor het trainen en hosten van modellen, S3 voor data en Amazon OpenSearch voor het indexeren van producten. Ze moeten dagelijks duizenden productbeschrijvingen van paragraaflengte genereren met een consistente merkstem, strikte PII-eisen binnen de regio en een krap kostenbudget.
Uitdaging: Lever op grote schaal hoogwaardige, merkspecifieke beschrijvingen, minimaliseer de kosten per beschrijving en zorg ervoor dat klantgegevens de aangewezen AWS-regio nooit verlaten.
Aanbevolen Aanpak:
- Gebruik een tweetraps inference-pipeline: routeer alle verzoeken eerst naar een lichtgewicht, lokaal gehost model op SageMaker of EC2 (gequantiseerd) om veelvoorkomende SKU’s en eenvoudige beschrijvingen af te handelen; escaleer complexe gevallen of gevallen met een lage betrouwbaarheid naar een foundation model van Bedrock.
- Sla embeddings en retrieval-indices op in Amazon OpenSearch binnen de regio; gebruik beknopte opgehaalde context om het tokengebruik van Bedrock laag te houden en cache veelvoorkomende antwoorden in ElastiCache.
- Fine-tune een klein, gespecialiseerd model met behulp van parameter-efficiënte methoden (LoRA) op SageMaker Managed Spot Training met checkpoints naar S3, en train het volledige model slechts zelden opnieuw.
- Dwing regio-grenscontroles af: S3-buckets en KMS-sleutels binnen de regio, VPC-eindpunten voor Bedrock/SageMaker, en op sampling gebaseerde Model Monitor + Clarify om de monitoringkosten te beperken.
Rationale: Het combineren van een goedkoop basismodel met selectieve escalatie minimaliseert de token- en instance-kosten per beschrijving, terwijl RAG en caching het aantal aanroepen naar Bedrock verminderen. Managed spot training en parameter-efficiënte fine-tuning verlagen de trainingskosten en de opslagoverhead, terwijl de controles binnen de regio voldoen aan de PII- en compliance-eisen.
← MLOps en Deployment · Alle domeinen
Oefen deze vragen → · Getimede oefening op ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Slaag voor je examen →