ניהול עלויות AI: פרויקטים של Amazon Bedrock לייחוס

לאחר מכן, השתמש בסקריפט Python המסופק כדי ליצור פרויקט, וודא שאזור ה-AWS שלך מוגדר כהלכה ומפתח ה-API של Amazon Bedrock שלך מוגדר כמשתנה הסביבה OPENAI_API_KEY.

import os
import requests

# Configuration
BASE_URL = "https://bedrock-mantle.<YOUR-REGION-HERE>.api.aws/v1"
API_KEY  = os.environ.get("OPENAI_API_KEY")  # Your Amazon Bedrock API key

def create_project(name: str, tags: dict) -> dict:
    """Create a Bedrock project with cost allocation tags."""
    response = requests.post(
        f"{BASE_URL}/organization/projects",
        headers={
            "Authorization": f"Bearer {API_KEY}",
            "Content-Type": "application/json"
        },
        json={"name": name, "tags": tags}
    )

    if response.status_code != 200:
        raise Exception(
            f"Failed to create project: {response.status_code} - {response.text}"
        )

    return response.json()

# Example: Create a production project with full tag taxonomy
project = create_project(
    name="CustomerChatbot-Prod",
    tags={
        "Application": "CustomerChatbot",
        "Environment": "Production",
        "Team":        "CustomerExperience",
        "CostCenter":  "CC-1001",
        "Owner":       "alice"
    }
)
print(f"Created project: {project['id']}")

סקריפט זה יחזיר את פרטי הפרויקט, כולל ה-id הייחודי שלו (לדוגמה, proj_123) וה-ARN. שמור את ה-id הזה מכיוון שהוא יהיה קריטי לשיוך בקשות ההסקה שלך. ניתן ליצור עד 1,000 פרויקטים לכל חשבון AWS, מה שמציע גמישות רבה גם לארגונים הגדולים ביותר.

שיוך בקשות הסקה

לאחר יצירת הפרויקט שלך, שלב את מזהה הפרויקט בקריאות ה-API שלך ל-Bedrock. לדוגמה, באמצעות Responses API:

from openai import OpenAI

client = OpenAI(
    base_url="https://bedrock-mantle.<YOUR-REGION-HERE>.api.aws/v1",
    project="<YOUR-PROJECT-ID>", # ID returned when you created the project
)
response = client.responses.create(
    model="openai.gpt-oss-120b",
    input="Summarize the key findings from our Q4 earnings report."
)
print(response.output_text)

על ידי הכללה עקבית של פרמטר ה-project, אתה מבטיח ייחוס עלויות מדויק לכל הסקה. עבור יישומי Bedrock מתקדמים יותר, שקול כיצד זה משתלב עם אסטרטגיות רחבות יותר כמו בניית מנוע בדיקות A/B מבוסס AI באמצעות Amazon Bedrock.

הפעלה וניתוח עלויות ה-AI שלך ב-AWS

השלב האחרון בהפעלת נראות עלויות מקיפה הוא הפעלת תגי הפרויקט המותאמים אישית שלך כתגי הקצאת עלויות בתוך מסוף החיוב של AWS. זוהי תצורה חד פעמית שמורה ל-AWS לשלב תגים אלו בדוחות החיוב המפורטים שלך.

הפעלת תגי הקצאת עלויות

נווט אל מסוף AWS Billing and Cost Management ופעל לפי ההוראות להפעלת התגים המותאמים אישית שלך. מומלץ לעשות זאת מיד לאחר יצירת הפרויקט הראשון שלך כדי למנוע פערים בנתוני העלות שלך. שים לב שעלולות לחלוף עד 24 שעות עד שתגים אלו יתפשטו ויופיעו במלואם ב-AWS Cost Explorer וב-AWS Data Exports.

הצגת עלויות פרויקט ב-AWS Cost Explorer

לאחר ההפעלה, תוכל למנף את AWS Cost Explorer כדי להציג ולנתח את הוצאות Amazon Bedrock שלך בפירוט חסר תקדים. תוכל לסנן את העלויות שלך לפי Service (Amazon Bedrock) ולאחר מכן לקבץ אותן לפי תגי הקצאת העלויות המותאמים אישית שלך, כגון Application, Environment או CostCenter. זה מאפשר לך:

• לזהות גורמי עלות: לאתר במהירות אילו יישומים או סביבות צורכים את מירב המשאבים של AI גנרטיבי.
• לבצע חיובים חוזרים: ליצור דוחות מדויקים עבור מודלי חיוב פנימיים, תוך הבטחה שמחלקות יחויבו באופן הוגן עבור השימוש שלהן ב-AI.
• לבצע אופטימיזציה של הוצאות: לזהות אזורים של חוסר יעילות, כגון שימוש במודלים יקרים בסביבות פיתוח לא קריטיות, ולקבל החלטות מושכלות לאופטימיזציה של הקצאת משאבים.
• לחזות ולתקצב: לשפר את דיוק התחזיות העתידיות של הוצאות AI על ידי ניתוח נתונים היסטוריים מחולקים לפי עומסי עבודה ספציפיים.

על ידי אימוץ פרויקטים של Amazon Bedrock ואסטרטגיית תיוג ממושמעת, ארגונים יכולים להפוך הוצאות AI מעורפלות לתובנות שקופות וניתנות לפעולה. זה לא רק תומך בממשל פיננסי טוב יותר אלא גם מטפח תרבות של מודעות לעלויות, המאפשרת לצוותים להרחיב את יוזמות ה-AI הגנרטיבי שלהם באחריות וביעילות. שליטה מפורטת זו במשאבים היא גם המפתח לשילוב יכולות חדשות כמו Amazon Bedrock AgentCore ביעילות.