概览
工作原理
本指南可帮助您深入了解客户在 X、Facebook 和 Instagram 等社交媒体网站上对您的产品和服务的评价。不必手动筛选帖子，您可以使用 Amazon Bedrock 中的大语言模型（LLM）构建一个近乎实时的警报系统，该系统使用社交媒体数据并提取主题、实体、情绪和位置等见解。
自信地进行部署
为部署做好准备了吗？ 查看 GitHub 上的示例代码，了解详细的部署说明，以根据需要按原样部署或进行自定义部署。
Well-Architected 支柱
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。
Amazon CloudWatch 会记录文本处理工作流中执行的操作，从而高效地监控应用程序的状态。Amazon CloudFormation 可以实现部署的可重复性，如果部署失败，还可以回滚到稳定状态。此外，Amazon Bedrock 是一项托管服务，可通过简单的界面使用 LLM。这种监控、可重复部署和 AWS 托管 LLM 的使用组合可提供强大的自然语言处理功能，无需管理底层基础设施。
存储在 Amazon S3 中的数据使用 AWS Key Management Service（AWS KMS）密钥进行静态加密，并使用 AWS Identity and Access Management（IAM）来控制对数据的访问。具体而言，AWS KMS 可协助创建和管理用于安全加密存储在 Amazon S3 中的数据的加密密钥。IAM 则提供根据角色配置细粒度权限的功能，以实现对该数据的最低权限访问控制。
数据存储在 Amazon S3 中，这是一种提供 99.999999999%（11 个 9）持久性的对象存储服务。LLM 使用 Amazon Bedrock 通过简单高效的 API 接口调用，该接口可以自动纵向扩展和缩减。Athena、QuickSight 和 AWS Glue 用于大规模查询和可视化数据，而无需配置基础设施。
本指南旨在通过使用各种无服务器托管式 AWS 服务，让您的工作负载实现高性能效率，自动扩展资源以满足工作负载的需求，并为您提供无缝体验，让您能够从社交媒体平台获取见解。例如，Lambda 是一项无服务器计算服务，可根据需求自动纵向扩展和缩减，确保计算容量针对工作负载进行优化。使用 Amazon Bedrock，您可以从广泛的目录中调用 LLM，而无需配置和管理底层服务器。
此架构使用 Lambda 来处理事件并启动批量转换分析，无需持续运行服务器。此外，AWS Glue 作业用于对批量用户数据（而不是单个记录）执行提取、转换、加载（ETL）。通过聚合数据并以更大的块进行处理，总体计算和存储要求降低，与单独处理每条记录相比，成本更低。最后，Amazon Bedrock 允许使用最适合您预算要求的 LLN，这样您就不会因使用功能更强大但可能过度配置的模型而产生不必要的费用。
Lambda、AWS Glue、Athena 和 QuickSight 都是按需运行的无服务器服务，可根据当前工作负载调整资源使用。这有助于确保最大限度地提高性能和资源利用率，因为服务可以自动纵向扩展和缩减以满足必要需求。通过使用这些无服务器产品/服务，该架构可以高效利用必要的资源，避免计算、存储和其他基础设施组件过度预置或利用不足。
相关内容
使用 Twitter、Amazon SageMaker 和 Hugging Face 构建基于新闻的实时警报系统
这篇文章演示了如何构建一个实时警报系统，使用来自 Twitter 的新闻，并且使用来自 Hugging Face Hub 的预训练模型对推文进行分类。