Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Entwicklung serverloser KI-Architekturen

Die Umsetzung der Prinzipien der serverlosen KI in reale Systeme erfordert eine durchdachte Architektur. Ziel ist die lose Kopplung AWS-Services in modulare, intelligente Pipelines, die elastisch skalieren und in Echtzeit reagieren.

Dieser Abschnitt enthält Anleitungen zur Zusammenstellung cloudnativer KI-Systeme mithilfe AWS serverloser Dienste, einschließlich generativer KI-Orchestrierung, Echtzeit-Inferenz und Edge-Computing. Jedes Architekturmuster entspricht einem gängigen Anwendungsfall im Unternehmen, wodurch Relevanz und Anwendbarkeit gewährleistet sind.

In diesem Abschnitt

Grundlegende Architekturmuster

In einer herkömmlichen ereignisgesteuerten Anwendungsarchitektur ist das System in vier logische Schichten gegliedert, die Probleme voneinander trennen und gleichzeitig Skalierbarkeit und Reaktionsfähigkeit ermöglichen. Auf der obersten Ebene verarbeitet die Anwendungsebene Benutzerinteraktionen und Benutzeroberflächenereignisse APIs, wodurch häufig domänenspezifische Ereignisse im System ausgelöst werden. Darunter verwaltet die Orchestrierungsebene Workflows, Geschäftsregeln und die Ereignissequenz mithilfe von Tools wie Zustandsmaschinen oder serverlosen Workflows. Die Service-Schicht enthält modulare, wiederverwendbare Funktionen oder Microservices, die auf Ereignisse reagieren und die Kernlogik ausführen. Im Grunde ist die Datenschicht für Persistenz, Streaming und Eventsourcing verantwortlich. Die Datenschicht nutzt Dienste wie Datenbanken, Objektspeicher oder Ereignisprotokolle, um Änderungsereignisse auszusenden und zu verarbeiten. Zusammen unterstützen diese Schichten eine lose gekoppelte, skalierbare und wartbare Architektur, in der Ereignisse den Datenfluss über den gesamten Stack steuern.

Serverlose KI-Systeme bestehen ebenfalls aus lose gekoppelten, ereignisgesteuerten Diensten, die unabhängig voneinander skaliert, weiterentwickelt und wiederhergestellt werden können. Um diese Systeme konsistent und skalierbar zu gestalten, ist es wichtig, die Architektur als fünf verschiedene Ebenen zu betrachten. Jede Schicht erfüllt eine bestimmte Funktion und ist direkt einer eigens dafür AWS-Services vorgesehenen Ebene zugeordnet. Das folgende Diagramm zeigt jede Ebene.

Diese fünf Ebenen bilden die Blaupause für die Entwicklung intelligenter, ereignisgesteuerter Anwendungen, die robust, beobachtbar und sowohl im Hinblick auf Kosten als auch Leistung optimiert sind.

Ereignisauslöser oder Schnittstellenebene

Der Event-Trigger oder die Schnittstellenebene ist der Einstiegspunkt zu Ihrem serverlosen KI-System. Er erfasst Benutzerinteraktionen, Systemereignisse oder Datenänderungen und gibt sie als strukturierte Ereignisse in die Architektur aus. Es ermöglicht eine asynchrone Orchestrierung und entkoppelt Upstream-Eingaben von der Downstream-Verarbeitungslogik.

Zu den Aufgaben der Event-Trigger-Ebene gehören:

AWS-Services Zu den häufig verwendeten Layern gehören die folgenden:

Beispiel: Eine Kundendienstanfrage, die über ein Webformular eingereicht wird, löst eine EventBridge Regel aus, die einen nachgelagerten Amazon Bedrock-Workflow für Agenten einleitet.

Verarbeitungsebene

Die Verarbeitungsschicht transformiert oder reichert Daten an, bevor sie an das KI-Modell weitergegeben werden. Sie erledigt Vorverarbeitungsaufgaben wie Eingabevalidierung, Formatierung, Metadaten-Tagging, Spracherkennung und Datenanreicherung mithilfe von Nachschlagetabellen oder externen Tabellen. APIs

Zu den Aufgaben der Verarbeitungsebene gehören:

AWS-Services Zu den üblicherweise für diese Ebene verwendeten Funktionen gehören:

Beispiel: Hochgeladene Versicherungsansprüche werden vor der KI-Zusammenfassung mithilfe von Lambda und Amazon Comprehend nach personenbezogenen Daten (PII) und Dokumenttypen gescannt.

Inferenzschicht

Als Herzstück des KI-Systems führt die Inferenzschicht die Inferenz für maschinelles Lernen (ML) oder Foundation Model (FM) aus. Sie kann je nach Anwendungsfall ein oder mehrere Modelle — generativ, prädiktiv oder klassifizierend — umfassen.

Die Inferenzschicht hat unter anderem folgende Aufgaben:

AWS-Services Zu den häufig verwendeten Layern gehören die folgenden:

Beispiel: Ein Amazon Bedrock-Agent verwendet Amazon Nova Pro, um mithilfe von RAG eine Antwort auf eine komplexe Support-Anfrage zu generieren, die auf Unternehmenswissen basiert.

Nachbearbeitungs- oder Entscheidungsebene

Die Nachverarbeitungs- oder Entscheidungsebene verfeinert die Inferenzergebnisse oder bearbeitet sie. Sie kann die Antwort formatieren, die Ausgabe protokollieren, nachgelagerte Aktionen aufrufen oder Entscheidungen auf der Grundlage von Modellsicherheit, Klassifizierungen oder externen Geschäftsregeln treffen.

Zu den Aufgaben der Nachbearbeitungs- oder Entscheidungsebene gehören:

AWS-Services Zu den häufig verwendeten Layern gehören die folgenden:

Beispiel: Eine Produktempfehlung von einem LLM wird mithilfe einer Lambda-Funktion mit dem Echtzeitbestand abgeglichen, bevor die Empfehlung an den Benutzer gesendet wird.

Ausgabe- oder Speicherebene

Schließlich kümmert sich die Ausgabe- oder Speicherschicht um die Bereitstellung der Ergebnisse an Benutzer oder Systeme und speichert strukturierte Ausgaben für Prüfungen, Analysen oder Feedback-Schleifen.

Zu den Aufgaben der Ausgabe- oder Speicherschicht gehören:

AWS-Services Zu den häufig verwendeten Layern gehören die folgenden:

Beispiel: Eine von Amazon Bedrock generierte Zusammenfassung eines Rechtsdokuments wird in Amazon S3 gespeichert und in OpenSearch Service indexiert, um eine semantische Unternehmenssuche zu ermöglichen.

Überlegungen zum Design auf allen Ebenen

Die folgenden wichtigen Entwurfsüberlegungen und -muster gelten für alle Architekturebenen:

Diese fünf Ebenen bilden eine modulare, skalierbare und serverlose Referenzarchitektur für KI-gestützte Workloads. AWS Jede Ebene kann unabhängig voneinander entwickelt, bereitgestellt und optimiert werden, was eine schnelle Iteration, operative Exzellenz und eine klare Trennung zwischen den einzelnen Geschäftsbereichen ermöglicht.

Durch die Verwendung dieses mehrschichtigen Musters als Entwurfsgrundlage können Unternehmen ihren Ansatz für serverlose KI standardisieren und den Weg vom Prototyp bis zur Produktion mit Zuversicht beschleunigen.

Überlegungen zum Architekturdesign

AWS Mit der serverlosen KI-Architektur können Sie intelligente Anwendungen erstellen, die modular, skalierbar und produktionsfähig sind. Ganz gleich, ob Sie Modelle am Netzwerkrand einsetzen, mehrstufige Inferenz-Pipelines orchestrieren oder generative KI-Assistenten entwickeln — sie AWS-Services können die nächste Generation von KI-nativen Anwendungen unterstützen.

Beachten Sie bei der Entwicklung einer serverlosen KI-Architektur die folgenden zentralen Designschwerpunkte und bewährten Methoden: