通过大规模的社交媒体分析来捕捉消费者情绪
本指南演示如何设计能够评估社交媒体帖子的智能品牌系统，这样您就可以衡量品牌绩效、创建动态内容并保护您的品牌。Amazon SageMaker 提供完全托管的基础设施和工具来构建、训练和部署机器学习（ML）模型。在此平台上，我们利用预先训练的开源机器学习（ML）模型，从社交媒体帖子中提取信息，包括消费者情绪、文本和图像嵌入等。接下来，您的团队可以创建一个样式符合自身品牌指南的提示目录。当消费者提交社交媒体帖子请求时，系统会处理输入信息，并从提示目录中检索出相应的提示，同时安全存储对话历史记录。最后，系统会使用自定义提示来生成一系列个性化帖子。每个帖子都会获得一个预测的互动评分，您的团队可以选择参与度评级最高的帖子，以将其发布至社交媒体。
请注意：[免责声明]
架构图
[架构图描述]
第 1 步
开发人员通过社交媒体的 API 摄取社交媒体历史数据，并将其存储在Amazon Simple Storage Service（Amazon S3）存储桶中。
第 2 步
Amazon SageMaker Jumpstart 模型用于通过从文本和图像中提取主题信息、帖子情绪和嵌入来丰富原始数据。
第 3 步
文本嵌入存储在向量数据库中，以便通过检索增强生成（RAG）实现可搜索性。向量数据库选项包括 Amazon Kendra、Amazon OpenSearch Service 或带有 pgvector 的 Amazon RDS for PostgreSQL。
第 4 步
数据科学家处理 SageMaker 管道，这些管道使用历史数据、嵌入和工程特征来构建机器学习（ML）模型，从而预测用户帖子的参与率。
第 5 步
性能最佳的 ML 模型会自动保存在 SageMaker 模型注册表中。
第 6 步
企业用户创建一个提示目录，其中包含可供选择的不同样式和要执行的品牌指南。提示目录存储在 Amazon DynamoDB 中。
第 7 步
消费者利用应用程序，通过提供描述并选择符合品牌指南的特定样式（相当于提示）来生成社交媒体帖子请求。
消费者应用程序调用 AWS Lambda，其中包含通过 Amazon API Gateway 访问的 LangChain 编排工具。此 Lambda 函数将处理输入请求并准备从提示目录中检索到的提示，同时，对话历史记录也将存储在 DynamoDB 中以用于将来的请求。
第 8 步
LangChain 编排工具 Lambda 函数使用 RAG 在存储在向量嵌入数据库中的历史帖子数据中识别类似的帖子，并检索最相关的帖子。检索到的相关帖子用于创建自定义提示以及帖子描述和所需的样式。
第 9 步
LangChain 编排工具使用自定义提示并调用 Amazon Bedrock 和 SageMaker JumpStart 基础模型（FM）进行文本和图像生成，以生成一系列个性化帖子。
第 10 步
每个草稿都将使用之前从 SageMaker 训练的模型获得预测的参与度评级。用户选择互动度最高的草稿并发布到社交媒体。
第 1 步
开发人员通过社交媒体的 API 摄取社交媒体历史数据，并将其存储在Amazon Simple Storage Service（Amazon S3）存储桶中。
第 2 步
Amazon SageMaker Jumpstart 模型用于通过从文本和图像中提取主题信息、帖子情绪和嵌入来丰富原始数据。
第 3 步
文本嵌入存储在向量数据库中，以便通过检索增强生成（RAG）实现可搜索性。向量数据库选项包括 Amazon Kendra、Amazon OpenSearch Service 或带有 pgvector 的 Amazon RDS for PostgreSQL。
第 4 步
数据科学家处理 SageMaker 管道，这些管道使用历史数据、嵌入和工程特征来构建机器学习（ML）模型，从而预测用户帖子的参与率。
第 5 步
性能最佳的 ML 模型会自动保存在 SageMaker 模型注册表中。
第 6 步
企业用户创建一个提示目录，其中包含可供选择的不同样式和要执行的品牌指南。提示目录存储在 Amazon DynamoDB 中。
第 7 步
消费者利用应用程序，通过提供描述并选择符合品牌指南的特定样式（相当于提示）来生成社交媒体帖子请求。
消费者应用程序调用 AWS Lambda，其中包含通过 Amazon API Gateway 访问的 LangChain 编排工具。此 Lambda 函数将处理输入请求并准备从提示目录中检索到的提示，同时，对话历史记录也将存储在 DynamoDB 中以用于将来的请求。
第 8 步
LangChain 编排工具 Lambda 函数使用 RAG 在存储在向量嵌入数据库中的历史帖子数据中识别类似的帖子，并检索最相关的帖子。检索到的相关帖子用于创建自定义提示以及帖子描述和所需的样式。
第 9 步
LangChain 编排工具使用自定义提示并调用 Amazon Bedrock 和 SageMaker JumpStart 基础模型（FM）进行文本和图像生成，以生成一系列个性化帖子。
第 10 步
每个草稿都将使用之前从 SageMaker 训练的模型获得预测的参与度评级。用户选择互动度最高的草稿并发布到社交媒体。
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。
-
卓越运营阅读《卓越运营》白皮书
Lambda 是本指南的主要组件，它使用 LangChain 编排工具，通过托管在 Amazon Bedrock 和 SageMaker 上的基础模型有效地与多个 LLM 交互。Lambda 是无服务器的，无需配置和管理服务器；API Gateway 与 Lambda 无缝集成，省去了运行 API 服务器的操作开销。此外，Amazon CloudWatch 还提供全面的监控和近乎实时的系统性能洞察，可实现主动问题检测以及通过警报进行的快速响应。Lambda 和 CloudWatch 共同作用，从而简化操作、增强系统弹性，并提供关键的可观测性。
-
安全性阅读《安全性》白皮书
AWS Identity and Access Management（IAM）、Lambda、Amazon Bedrock、OpenSearch Service、SageMaker 和 Amazon S3 共同帮助您实施加密、隔离和最低权限访问等安全最佳实践。具体来说，Bedrock 功能包括加密、访问控制，并且无需将数据共享给 LLM 提供商即可安全访问 LLM。OpenSearch Service 通过虚拟私有云（VPC）、安全组或基于 IP 的策略安全地连接到其他应用程序。此外，SageMaker 允许在 VPC 模式下运行以实现网络隔离，在这种模式下，可以通过 VPC 安全组和网络访问控制列表（ACL）对 SageMaker 笔记本、端点和其他资源实施访问控制。此外，Amazon S3 的服务器端加密（SSE）可确保存储在 Amazon S3 中的历史帖子在静止时加密。最后，本指南考虑的另一个安全保障措施包括 LangChain 编排工具，它在隔离的运行时环境中运行，可以限制基础设施的暴露水平并防止安全漏洞。
-
可靠性阅读《可靠性》白皮书
Lambda、DynamoDB、SageMaker、OpenSearch Service 和 API Gateway 被选中用于此解决方案，以帮助您的工作负载正确、一致地执行其预期功能并快速完成故障恢复。首先，通过配置 Lambda，您的工作负载可以根据事件自动扩展和管理代码处理，确保您的应用程序可以在无需用户干预的情况下处理不同的工作负载。其次，DynamoDB 提供高可用性、自动备份和强大的数据复制功能，可降低数据丢失风险并确保稳定的性能，从而提高应用程序的整体可靠性。第三，SageMaker 推理自动扩展端点可自动调整部署的实例数量以处理不同的工作负载，从而确保系统可靠性，防止过载并确保用户响应时间一致。第四，OpenSearch Service 提供自动备份和自动扩缩功能，这两项功能均可通过确保数据可用性和可扩展性来增强系统的可靠性，最终有助于打造更可靠的系统。最后，API Gateway 可通过自动扩缩、运行状况检查和重试功能来抵御故障；它还支持跨多个区域的部署。
-
性能效率阅读《性能效率》白皮书
为本指南选择的服务可帮助您监控云工作负载的性能，同时确保随着业务需求的发展，您依然能够保持高效。例如，当数据访问频率降低时，Amazon S3 Intelligent-Tiering 可自动将数据移动到成本较低的存储类，从而节省成本，从而优化性能和成本效益。Lambda 是另一项旨在帮助您充分利用云工作负载的服务。其配置针对内存和其他设置进行了优化，有助于确保为函数分配正确数量的资源，从而提高处理效率。OpenSearch Service 的集群管理通过在集群中的节点之间高效分配工作负载来提高性能，确保搜索功能响应迅速且可靠。DynamoDB 读写单元允许您根据需要配置和调整容量，从而优化数据库性能和成本效率。Amazon Kendra 可以通过调整其搜索索引和相关性排名来优化性能，从而获得更快、更准确的搜索结果，提高您和您的用户的信息检索效率。
-
成本优化阅读《成本优化》白皮书
选择适当的数据库服务 [例如 Amazon Relational Database Service（Amazon RDS）或 Amazon Aurora] 可以将数据库功能与实际需求相结合，从而节省成本。此外，在使用 Amazon Bedrock 时，减少提示长度并限制响应令牌输出有助于通过减少语言模型的工作负载来降低计算成本。此外，Amazon Bedrock 模型调整和 AWS Inferentia 实例有助于提高资源利用效率，从而有可能降低运营成本，同时保持甚至提高性能。
-
可持续性阅读《可持续性》白皮书
Lambda、DynamoDB 和 Amazon Bedrock 都可以最大限度地减少运行云工作负载对环境的影响。Lambda 通过高效管理代码处理并减少不必要的资源消耗和能源使用来实现这一点。DynamoDB 通过提供自动备份和强大的数据复制来增强可持续性，降低数据丢失风险并最大限度地减少对额外能源密集型基础设施的需求。此外，Amazon Bedrock 与多个客户共享底层基础设施，随着更多用户使用该服务，实现更高的能源效率，从而减少整体环境影响。
实施资源
提供了在 AWS 账户中进行实验和使用的详细指南。构建指南的每个阶段（包括部署、使用和清理）都将被检查，以便为部署做好准备。
示例代码为起点。它经过行业验证，是规范性但不是决定性的，可以帮助您开始。
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 的指导是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。