AI செலவு மேலாண்மை: Amazon Bedrock திட்டங்கள் ஒதுக்கீட்டிற்காக

அடுத்து, வழங்கப்பட்ட பைதான் ஸ்கிரிப்டைப் பயன்படுத்தி ஒரு திட்டத்தை உருவாக்கவும், உங்கள் AWS பிராந்தியம் சரியாக உள்ளமைக்கப்பட்டுள்ளதையும், உங்கள் Amazon Bedrock API விசை OPENAI_API_KEY சுற்றுச்சூழல் மாறியாக அமைக்கப்பட்டுள்ளதையும் உறுதி செய்யவும்.

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']}")

இந்த ஸ்கிரிப்ட் திட்ட விவரங்களை, அதன் தனிப்பட்ட id (எ.கா., proj_123) மற்றும் ARN உட்பட, திரும்ப வழங்கும். உங்கள் அனுமானக் கோரிக்கைகளை இணைப்பதற்கான முக்கியமானதாக இருப்பதால் இந்த id ஐ சேமித்து வைக்கவும். ஒவ்வொரு AWS கணக்கிற்கும் 1,000 திட்டங்கள் வரை உருவாக்கலாம், இது மிகப் பெரிய நிறுவனங்களுக்கும் போதுமான நெகிழ்வுத்தன்மையை வழங்குகிறது.

அனுமான கோரிக்கைகளை இணைத்தல்

உங்கள் திட்டம் உருவாக்கப்பட்டதும், அதன் ID ஐ உங்கள் Bedrock API அழைப்புகளில் ஒருங்கிணைக்கவும். உதாரணமாக, Responses API ஐப் பயன்படுத்துதல்:

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)

project அளவுருவை தொடர்ந்து சேர்ப்பதன் மூலம், ஒவ்வொரு அனுமானத்திற்கும் துல்லியமான செலவு ஒதுக்கீட்டை உறுதி செய்கிறீர்கள். மிகவும் மேம்பட்ட Bedrock பயன்பாடுகளுக்கு, Amazon Bedrock ஐப் பயன்படுத்தி AI-சக்தி வாய்ந்த A/B சோதனைக் கருவியை உருவாக்குதல் போன்ற பரந்த உத்திகளுடன் இது எவ்வாறு ஒருங்கிணைக்கிறது என்பதைக் கருத்தில் கொள்ளுங்கள்.

AWS இல் உங்கள் AI செலவுகளை செயல்படுத்துதல் மற்றும் பகுப்பாய்வு செய்தல்

விரிவான செலவு வெளிப்படைத்தன்மையை செயல்படுத்துவதற்கான இறுதி படி, உங்கள் தனிப்பயன் திட்ட குறிச்சொற்களை AWS பில்லிங் கன்சோலில் செலவு ஒதுக்கீட்டு குறிச்சொற்களாக செயல்படுத்துவதாகும். இது ஒரு முறை மட்டுமே செய்யப்படும் உள்ளமைவாகும், இது இந்த குறிச்சொற்களை உங்கள் விரிவான பில்லிங் அறிக்கைகளில் சேர்க்க AWS க்கு தெரிவிக்கும்.

செலவு ஒதுக்கீட்டு குறிச்சொற்களை செயல்படுத்துதல்

AWS Billing and Cost Management கன்சோலுக்குச் சென்று, உங்கள் தனிப்பயன் குறிச்சொற்களைச் செயல்படுத்துவதற்கான வழிமுறைகளைப் பின்பற்றவும். உங்கள் செலவுத் தரவில் எந்த இடைவெளியையும் தவிர்க்க, உங்கள் முதல் திட்டம் உருவாக்கப்பட்ட உடனேயே இதைச் செய்யப் பரிந்துரைக்கப்படுகிறது. இந்த குறிச்சொற்கள் முழுமையாகப் பரவி AWS Cost Explorer மற்றும் AWS Data Exports இல் தோன்ற 24 மணிநேரம் வரை ஆகலாம் என்பதை நினைவில் கொள்ளுங்கள்.

AWS Cost Explorer இல் திட்ட செலவுகளைக் காணுதல்

செயல்படுத்தப்பட்டதும், உங்கள் Amazon Bedrock செலவினங்களை முன்னோடியில்லாத விவரங்களுடன் காட்சிப்படுத்தவும் பகுப்பாய்வு செய்யவும் AWS Cost Explorer ஐப் பயன்படுத்தலாம். உங்கள் செலவுகளை Service (Amazon Bedrock) மூலம் வடிகட்டி, பின்னர் Application, Environment அல்லது CostCenter போன்ற உங்கள் தனிப்பயன் செலவு ஒதுக்கீட்டு குறிச்சொற்களால் குழுவாக்கலாம். இது உங்களை அனுமதிக்கிறது:

• செலவு இயக்கிகளைக் கண்டறிதல்: எந்த பயன்பாடுகள் அல்லது சூழல்கள் அதிக உருவாக்கும் AI வளங்களை பயன்படுத்துகின்றன என்பதைக் கண்டறியவும்.
• கட்டணத் திரும்பப் பெறுதல்களைச் செய்தல்: உள் கட்டணத் திரும்பப் பெறுதல் மாதிரிகளுக்கான துல்லியமான அறிக்கைகளை உருவாக்கவும், துறைகள் அவற்றின் AI பயன்பாட்டிற்கு நியாயமாக கட்டணம் வசூலிக்கப்படுவதை உறுதி செய்யவும்.
• செலவினங்களை மேம்படுத்துதல்: முக்கியமற்ற மேம்பாட்டுச் சூழல்களில் பயன்படுத்தப்படும் விலையுயர்ந்த மாதிரிகள் போன்ற திறமையின்மை பகுதிகளைக் கண்டறியவும், மற்றும் வள ஒதுக்கீட்டை மேம்படுத்த தகவல் சார்ந்த முடிவுகளை எடுக்கவும்.
• முன்கணிப்பு மற்றும் பட்ஜெட்: குறிப்பிட்ட பணிச்சுமைகளின் மூலம் உடைக்கப்பட்ட வரலாற்றுத் தரவுகளைப் பகுப்பாய்வு செய்வதன் மூலம் எதிர்கால AI செலவு முன்கணிப்புகளின் துல்லியத்தை மேம்படுத்தவும்.

Amazon Bedrock திட்டங்களையும் ஒரு ஒழுங்கமைக்கப்பட்ட குறியிடும் உத்தியையும் ஏற்றுக்கொள்வதன் மூலம், நிறுவனங்கள் தெளிவற்ற AI செலவினங்களை வெளிப்படையான, செயல்படக்கூடிய நுண்ணறிவுகளாக மாற்ற முடியும். இது சிறந்த நிதி நிர்வாகத்தை ஆதரிப்பதுடன், செலவு விழிப்புணர்வு கலாச்சாரத்தையும் வளர்க்கிறது, குழுக்கள் தங்கள் உருவாக்கும் AI முன்முயற்சிகளை பொறுப்புணர்வுடனும் திறம்படவும் அளவிட உதவுகிறது. வளங்கள் மீதான இந்த விரிவான கட்டுப்பாடு Amazon Bedrock AgentCore போன்ற புதிய திறன்களை திறமையாக ஒருங்கிணைப்பதற்கான முக்கிய அம்சமாகவும் உள்ளது.