Ce guide explique comment obtenir des informations telles que les sentiments, les entités, les emplacements et les sujets, sur la base de publications sur les réseaux sociaux, d'avis clients ou d'autres contenus abrégés. Avec l'exemple de code qui l'accompagne, vous recevez une base de code qui servira de système d'extraction d'informations. Ce système extrait des informations sur diverses plateformes de réseaux sociaux, notamment X, Facebook et Instagram, à l'aide d'un grand modèle de langage (LLM), vous fournissant ainsi des informations exploitables sur vos produits et services.

Diagramme d'architecture

Télécharger le diagramme d'architecture PDF 

Démarrer

Déployer ces conseils

Piliers Well-Architected

Le cadre AWS Well-Architected vous permet de comprendre les avantages et les inconvénients des décisions que vous prenez lors de la création de systèmes dans le cloud. Les six piliers du cadre vous permettent d'apprendre les bonnes pratiques architecturales pour concevoir et exploiter des systèmes fiables, sécurisés, efficaces, rentables et durables. Grâce à l'outil AWS Well-Architected Tool, disponible gratuitement dans la console de gestion AWS, vous pouvez examiner vos charges de travail par rapport à ces bonnes pratiques en répondant à une série de questions pour chaque pilier.

Le diagramme d'architecture ci-dessus est un exemple de solution créée en tenant compte des bonnes pratiques Well-Architected. Pour être totalement conforme à Well-Architected, vous devez suivre autant de bonnes pratiques Well-Architected que possible.

  • Amazon CloudWatch conserve des journaux des opérations effectuées dans le cadre du flux de traitement de texte, ce qui permet de surveiller efficacement l'état des applications. Amazon CloudFormation permet la reproductibilité du déploiement et peut également être rétabli à un état stable en cas d'échec du déploiement. En outre, Amazon Bedrock est un service géré qui permet d'utiliser les LLM via une interface simple. Cette combinaison de surveillance, de déploiements reproductibles et d'utilisation de LLM gérés par AWS offre de puissantes fonctionnalités de traitement du langage naturel sans avoir à gérer l'infrastructure sous-jacente.

    Lire le livre blanc d'excellence opérationnelle 

  • Les données stockées dans Amazon S3 sont chiffrées au repos à l'aide des clés AWS Key Management Service (AWS KMS), et AWS Identity and Access Management (IAM) est utilisé pour contrôler l'accès aux données. Plus précisément, AWS KMS aide à créer et à gérer les clés de chiffrement utilisées pour chiffrer en toute sécurité les données stockées dans Amazon S3. Alors qu'IAM permet de configurer des autorisations granulaires en fonction des rôles pour un contrôle d'accès avec le moindre privilège à ces données.

    Lire le livre blanc sur la sécurité 

  • Les données sont stockées dans Amazon S3, un service de stockage d'objets qui offre une durabilité de 99,999999999 % (11 nines). Les LLM sont invoqués à l'aide d'Amazon Bedrock via une interface API simple et efficace qui peut automatiquement augmenter et diminuer. Athena, QuickSight et AWS Glue sont utilisés pour interroger et visualiser les données à grande échelle sans qu'il soit nécessaire de provisionner une infrastructure.

    Lire le livre blanc sur la fiabilité 

  • Grâce à l'utilisation de divers services AWS gérés et sans serveur, ce guide est conçu pour que vos charges de travail atteignent une efficacité élevée, en adaptant automatiquement les ressources aux demandes de la charge de travail et en vous fournissant une expérience fluide vous permettant d'accéder aux informations de vos plateformes de réseaux sociaux. Par exemple, Lambda, un service de calcul sans serveur, augmente et diminue automatiquement l'échelle en fonction de la demande, garantissant ainsi une capacité de calcul optimisée pour la charge de travail. Avec Amazon Bedrock, vous pouvez invoquer des LLM à partir d'un vaste catalogue sans avoir à provisionner et à gérer les serveurs sous-jacents.

    Lire le livre blanc sur l'efficacité des performances 

  • Lambda est utilisé dans cette architecture pour traiter les événements et lancer l'analyse de transformation par lots, éliminant ainsi le besoin d'un serveur fonctionnant en continu. De plus, les tâches AWS Glue sont utilisées pour extraire, transformer et charger (ETL) sur des lots de données utilisateur, plutôt que sur des enregistrements individuels. En agrégeant les données et en les traitant en plus grands fragments, les besoins globaux de calcul et de stockage sont réduits, ce qui entraîne une baisse des coûts par rapport à la gestion individuelle de chaque enregistrement. Enfin, Amazon Bedrock permet d'utiliser le LLN qui correspond le mieux à vos exigences budgétaires afin de ne pas engager de dépenses inutiles liées à des modèles plus puissants, mais potentiellement surprovisionnés.

    Lire le livre blanc sur l'optimisation des coûts 

  • Lambda, AWS Glue, Athena et QuickSight sont tous des services sans serveur qui fonctionnent à la demande, ajustant leur utilisation des ressources en fonction de la charge de travail actuelle. Cela permet de garantir que les performances et l'utilisation des ressources sont maximisées, car les services augmentent et diminuent automatiquement pour répondre à la demande requise. En utilisant ces offres sans serveur, cette architecture peut utiliser efficacement les ressources nécessaires, évitant ainsi le surprovisionnement ou la sous-utilisation des composants de calcul et de stockage et d'autres composants d'infrastructure.

    Lire le livre blanc sur la durabilité 

Contenu connexe

AWS Machine Learning
Blog

Créez un système d’alerte en temps réel basé sur les actualités avec Twitter, Amazon SageMaker et Hugging Face

Cet article explique comment créer un système d’alerte en temps réel qui consulte les actualités de Twitter et classe les tweets à l’aide d’un modèle préformé issu du Hugging Face Hub. 

Avis de non-responsabilité

Les exemples de code, les bibliothèques de logiciels, les outils de ligne de commande, les preuves de concept, les modèles ou toute autre technologie connexe (y compris tout ce qui précède qui est fourni par notre personnel) vous sont fournis en tant que contenu AWS en vertu du contrat client AWS ou de l'accord écrit pertinent entre vous et AWS (selon le cas). Vous ne devez pas utiliser ce contenu AWS dans vos comptes de production, ni sur des données de production ou autres données critiques. Vous êtes responsable des tests, de la sécurisation et de l'optimisation du contenu AWS, tel que les exemples de code, comme il convient pour une utilisation en production, en fonction de vos pratiques et normes de contrôle de qualité spécifiques. Le déploiement de contenu AWS peut entraîner des frais AWS pour la création ou l'utilisation de ressources payantes AWS, telles que l'exécution d'instances Amazon EC2 ou l'utilisation du stockage Amazon S3.

Cette page vous a-t-elle été utile ?

 Commentaires