[SEO 副标题]
本指南说明了如何部署和使用 AWS DeepRacer 聊天机器人,这是一款由多模态生成式人工智能和域自适应技术驱动的智能虚拟助手。该聊天机器人结合了大型语言模型、对话日志分析、问答支持以及代码生成能力,为 AWS DeepRacer 提供一种全面且智能的定制化解决方案。AWS DeepRacer 聊天机器人配备用户友好的界面和先进的 AI 功能,可生成符合自动驾驶赛车用户需求的自定义 Python 奖励函数,简化模型工作流程,并协助用户提升模型性能。
请注意:[免责声明]
Well-Architected 支柱

当您在云中构建系统时,AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool,您可以通过回答每个支柱的一组问题,根据这些最佳实践来检查您的工作负载。
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构,您应该遵循尽可能多的 Well-Architected 最佳实践。
-
卓越运营
Amazon CloudWatch、AWS X-Ray 和 AWS AppSync 是一组协同工作的服务,帮助用户高效运行和监控其系统。CloudWatch 使管理员能够监控聊天机器人应用程序,收集日志和指标,深入了解性能和使用模式。X-Ray 提供分布式跟踪功能,使开发者能够可视化并分析请求在无服务器架构中的流转过程。AWS AppSync 提供实时数据同步和离线功能,增强聊天机器人的响应性和可靠性。这些服务共同为用户提供了高效的工具,帮助全面检测聊天机器人、了解其运行状态,并基于实时数据和洞察持续优化其操作。
-
安全性
AWS DeepRacer 聊天机器人使用多种 AWS 安全服务,包括 Amazon Cognito、AWS Identity and Access Management(IAM)和 AWS AppSync,以保护信息和系统的安全。例如,Amazon Cognito 为聊天机器人提供用户身份验证和授权功能,确保对 AWS AppSync 的访问安全。IAM 策略基于最低权限原则配置,使 Lambda 函数及其他资源仅拥有执行各自操作所需的最低权限。此外,AWS AppSync 的内置安全功能结合 Amazon Cognito 的集成,保护了 GraphQL API 端点的安全。
-
可靠性
AWS DeepRacer 聊天机器人构建于高度可用且容错的架构之上,包含 Lambda、DynamoDB 和 AWS AppSync。Lambda 及其无服务器架构支持自动扩缩和高可用性,使聊天机器人能够高效应对波动的工作负载。DynamoDB 是一个高度可用且持久的数据库,可用作对话历史和其他持久性数据的存储库。而 AWS AppSync 提供实时数据同步和离线支持,增强了聊天机器人的状态保持能力,并确保其在网络中断时的恢复能力。此外,使用 AWS Cloud Development Kit(AWS CDK)部署基础设施,确保一致且可重复的设置,从而降低配置错误的风险,提高系统的整体可靠性。
-
性能效率
AWS DeepRacer 聊天机器人利用 AWS 云的高性能与可扩展服务,包括 Amazon Bedrock 提供的 LLM(大型语言模型),以实现快速响应的互动。这帮助 AWS 客户最大化其 AWS DeepRacer 模型的性能。Amazon Bedrock 提供基础模型,可无缝集成并扩展,而无需繁重的基础设施管理。
同时,Lambda 的无服务器计算功能支持高效的资源利用,并根据需求自动扩展。DynamoDB 以个位数毫秒级延迟提供数据检索功能,支持快速访问对话历史和其他相关数据。这些服务的协同集成,使用户能够构建高性能聊天机器人,轻松应对复杂查询并高效处理实时互动。
-
成本优化
无服务器架构采用 Lambda,结合 Amazon Bedrock 和 DynamoDB 的按使用量付费定价模式,帮助实现本指南中的成本优化。Lambda 函数仅在被调用时产生费用,最大限度降低了闲置资源开销。Amazon Bedrock 的定价模式允许参与者试验先进的 AI 功能,无需在模型训练或基础设施上投入前期成本。最后,DynamoDB 的按需容量模式有助于确保参与者仅为聊天机器人实际发起的读写请求付费。
-
可持续性
本指南选用的无服务器服务能够根据实际使用情况自动扩展资源,从而最大限度减少闲置容量并降低能源消耗。除此以外,使用 Amazon Bedrock 中的预先训练模型,免去了在专用硬件上进行高耗能模型训练的需求。传统的机器学习模型训练通常需要大量计算资源和能源,因为模型必须从头开始在大型数据集上进行训练。然而,通过使用 Amazon Bedrock 提供的预先训练模型,AWS DeepRacer 聊天机器人可以绕过这一高能耗的训练过程,而仅需针对 AWS DeepRacer 对现有模型进行微调。这种方法不仅节约了能源使用,还减少了与聊天机器人开发和部署相关的碳足迹。
免责声明
示例代码;软件库;命令行工具;概念验证;模板;或其他相关技术(包括由我方人员提供的任何前述项)作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议(以适用者为准)向您提供。您不应将这些 AWS 内容用在您的生产账户中,或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容,例如示例代码,以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源(例如,运行 Amazon EC2 实例或使用 Amazon S3 存储)而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指南是一个技术起点,您可以在部署架构时自定义与第三方服务的集成。