Lab práctico · Semana 1: Fundamentos de IA generativa y selección de modelos en Amazon Bedrock

Prepara la cuenta y haz tu primera llamada a Amazon Bedrock

Qué vas a construir

Vas a dejar lista la cuenta de AWS para todo el curso y a hablar por primera vez con un modelo fundacional:

1. Un presupuesto en AWS Budgets con avisos por correo, antes de gastar el primer céntimo.
2. La región de trabajo elegida con criterio (eu-central-1 o eu-west-1).
3. Un repaso del catálogo de modelos, sus estados de ciclo de vida y los perfiles de inferencia de la UE.
4. Tu primera llamada con la Converse API, desde la AWS CLI y desde Python (boto3), en modo normal y en streaming (el streaming, solo desde Python: la AWS CLI no ofrece converse-stream ni invoke-model-with-response-stream).
5. La comprobación en CloudTrail de que la llamada quedó registrada.

flowchart LR
  CS["AWS CloudShell (tu identidad IAM)"] -->|"Converse / ConverseStream"| BR["Amazon Bedrock (eu-central-1)"]
  BR -->|"perfil eu."| EU["Regiones de la UE que sirven Nova Micro"]
  BR --> CT["AWS CloudTrail: evento Converse"]
  BU["AWS Budgets"] -->|"correo al 50 % y al 80 %"| TU["Tú"]

Antes de empezar

• Una cuenta de AWS a la que accedas con un usuario de IAM Identity Center o un rol de IAM, no con el usuario raíz (lo sabes del SAA-C03: raíz con MFA y guardada en un cajón).
• Plan de la cuenta: Amazon Bedrock funciona en el Free plan con créditos, pero algunas ofertas de AWS Marketplace pueden no estar disponibles en ese plan, y Amazon Bedrock AgentCore exige el Paid plan (lo usarás en el módulo 5). Si tu cuenta es nueva y estás en el Free plan, valora pasar al Paid plan antes del módulo 5; los créditos se siguen aplicando.
• Abre AWS CloudShell desde la consola, en la región Europe (Frankfurt) eu-central-1. CloudShell ya trae AWS CLI v2, Python 3 y boto3, y usa las credenciales temporales de tu sesión: no hay claves de acceso que guardar.

Paso 1: crea un presupuesto con alertas

Hazlo antes que nada. AWS Budgets queda fuera del temario del examen, pero es tu red de seguridad.

export AWS_REGION=eu-central-1
ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
echo "Cuenta: $ACCOUNT_ID"

Define un presupuesto mensual de 20 USD (ajústalo a tu caso):

cat > presupuesto.json <<'EOF'
{
  "BudgetName": "curso-genai-mensual",
  "BudgetLimit": { "Amount": "20", "Unit": "USD" },
  "BudgetType": "COST",
  "TimeUnit": "MONTHLY"
}
EOF

Y dos avisos por correo: gasto real por encima del 50 % y gasto previsto por encima del 80 % (cambia la dirección):

cat > avisos.json <<'EOF'
[
  {
    "Notification": { "NotificationType": "ACTUAL", "ComparisonOperator": "GREATER_THAN", "Threshold": 50, "ThresholdType": "PERCENTAGE" },
    "Subscribers": [ { "SubscriptionType": "EMAIL", "Address": "tu-correo@ejemplo.com" } ]
  },
  {
    "Notification": { "NotificationType": "FORECASTED", "ComparisonOperator": "GREATER_THAN", "Threshold": 80, "ThresholdType": "PERCENTAGE" },
    "Subscribers": [ { "SubscriptionType": "EMAIL", "Address": "tu-correo@ejemplo.com" } ]
  }
]
EOF

aws budgets create-budget --account-id $ACCOUNT_ID \
  --budget file://presupuesto.json \
  --notifications-with-subscribers file://avisos.json

aws budgets describe-budgets --account-id $ACCOUNT_ID \
  --query "Budgets[].{Nombre:BudgetName,Limite:BudgetLimit.Amount}" --output table

Paso 2: explora el catálogo de modelos

Lista los modelos de Amazon disponibles en la región con su estado de ciclo de vida:

aws bedrock list-foundation-models --by-provider amazon \
  --query "modelSummaries[].{id:modelId,entrada:join(',',inputModalities),salida:join(',',outputModalities),estado:modelLifecycle.status}" \
  --output table

Fíjate en dos cosas:

• Aparecen modelos ACTIVE y LEGACY. Un modelo Legacy tiene fecha de retirada: no lo elijas para algo nuevo.
• Hay modelos de embeddings (salida EMBEDDING) y de texto (salida TEXT).

Ahora los perfiles de inferencia de sistema de la UE:

aws bedrock list-inference-profiles --type-equals SYSTEM_DEFINED \
  --query "inferenceProfileSummaries[?starts_with(inferenceProfileId, 'eu.')].inferenceProfileId" \
  --output text | tr '\t' '\n' | sort | head -40

Busca eu.amazon.nova-micro-v1:0. Mira a qué regiones enruta:

aws bedrock get-inference-profile --inference-profile-identifier eu.amazon.nova-micro-v1:0 \
  --query "models[].modelArn" --output text | tr '\t' '\n'

Verás ARN de modelos en varias regiones de la UE: esas son las regiones a las que Bedrock puede enviar tus peticiones. Nunca sale de la UE, pero sí de Fráncfort.

Paso 3: acceso a modelos

• Modelos de Amazon (Nova, Titan): no requieren nada más. Los usarás en casi todos los labs.
• Modelos de terceros (Anthropic, Cohere…): el acceso está habilitado por defecto si tu identidad tiene los permisos de AWS Marketplace aws-marketplace:Subscribe, aws-marketplace:Unsubscribe y aws-marketplace:ViewSubscriptions y la cuenta tiene un método de pago válido. La primera invocación lanza la suscripción en segundo plano (hasta 15 minutos).
• Anthropic pide además, una sola vez por cuenta, el formulario de caso de uso (First Time Use). Si quieres probar Claude Haiku 4.5 en el paso 6, entra en la consola de Bedrock, abre el playground de chat, elige un modelo de Anthropic y rellena el formulario (vale una descripción personal del uso, por ejemplo «estudio para la certificación AWS»).

Así sería una política de mínimo privilegio para una aplicación que solo debe usar Nova Micro a través del perfil de la UE (no hace falta que la apliques ahora; observa que incluye el ARN del perfil y los del modelo en las regiones de destino):

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "SoloNovaMicroEU",
      "Effect": "Allow",
      "Action": ["bedrock:InvokeModel", "bedrock:InvokeModelWithResponseStream"],
      "Resource": [
        "arn:aws:bedrock:eu-central-1:111122223333:inference-profile/eu.amazon.nova-micro-v1:0",
        "arn:aws:bedrock:*::foundation-model/amazon.nova-micro-v1:0"
      ]
    }
  ]
}

Paso 4: tu primera llamada desde la AWS CLI

aws bedrock-runtime converse \
  --model-id eu.amazon.nova-micro-v1:0 \
  --system '[{"text": "Eres un profesor que explica conceptos de IA en español, en frases cortas."}]' \
  --messages '[{"role": "user", "content": [{"text": "¿Qué es un token en un modelo de lenguaje? Tres frases como máximo."}]}]' \
  --inference-config '{"maxTokens": 200, "temperature": 0.3}'

Lee la respuesta con calma:

• output.message.content[0].text: el texto generado.
• stopReason: debería ser end_turn.
• usage: inputTokens, outputTokens, totalTokens. Esto es lo que pagas.
• metrics.latencyMs: cuánto tardó el modelo.

Paso 5: la misma llamada desde Python

Crea primera.py:

import boto3

cliente = boto3.client("bedrock-runtime", region_name="eu-central-1")
MODELO = "eu.amazon.nova-micro-v1:0"
PRECIO_IN, PRECIO_OUT = 0.046, 0.184  # USD por millón de tokens, eu-central-1, 01/10/2026 (orientativo)

conversacion = [
    {"role": "user", "content": [{"text": "Dame una definición de embedding en una frase."}]}
]

r = cliente.converse(
    modelId=MODELO,
    system=[{"text": "Responde en español de España, de forma precisa y breve."}],
    messages=conversacion,
    inferenceConfig={"maxTokens": 150, "temperature": 0.2},
)

texto = r["output"]["message"]["content"][0]["text"]
uso = r["usage"]
print(texto)
print(f"stopReason={r['stopReason']} | entrada={uso['inputTokens']} salida={uso['outputTokens']} "
      f"| latencia={r['metrics']['latencyMs']} ms")
print(f"Coste estimado: {uso['inputTokens']/1e6*PRECIO_IN + uso['outputTokens']/1e6*PRECIO_OUT:.8f} USD")

# Segundo turno: el modelo NO recuerda nada; le reenvías el historial completo.
conversacion.append(r["output"]["message"])
conversacion.append({"role": "user", "content": [{"text": "Ahora ponme un ejemplo cotidiano."}]})
r2 = cliente.converse(modelId=MODELO, messages=conversacion, inferenceConfig={"maxTokens": 150})
print("\nSegundo turno:", r2["output"]["message"]["content"][0]["text"])
print("Tokens de entrada del segundo turno:", r2["usage"]["inputTokens"])

python3 primera.py

Paso 6: respuesta en streaming

Con ConverseStream recibes el texto a trozos según se genera: el usuario ve la primera palabra mucho antes. Crea stream.py:

import boto3

cliente = boto3.client("bedrock-runtime", region_name="eu-central-1")
r = cliente.converse_stream(
    modelId="eu.amazon.nova-micro-v1:0",
    messages=[{"role": "user", "content": [{"text": "Explica en un párrafo qué es Amazon Bedrock."}]}],
    inferenceConfig={"maxTokens": 300, "temperature": 0.5},
)

for evento in r["stream"]:
    if "contentBlockDelta" in evento:
        print(evento["contentBlockDelta"]["delta"]["text"], end="", flush=True)
    elif "messageStop" in evento:
        print(f"\n\nstopReason: {evento['messageStop']['stopReason']}")
    elif "metadata" in evento:
        print("Uso:", evento["metadata"]["usage"], "| latencia:", evento["metadata"]["metrics"]["latencyMs"], "ms")

python3 stream.py

Opcional (si rellenaste el formulario de Anthropic): cambia el modelo por eu.anthropic.claude-haiku-4-5-20251001-v1:0 y ejecuta de nuevo. Es el mismo código: esa es la gracia de la Converse API. Coste orientativo de la prueba: menos de 0,01 USD.

Paso 7: la llamada, en CloudTrail

Las llamadas Converse y ConverseStream se registran en CloudTrail como eventos de gestión (visibles en Event history sin configurar nada). El contenido de prompts y respuestas no aparece: para eso está el model invocation logging (módulo 8).

aws cloudtrail lookup-events --region eu-central-1 \
  --lookup-attributes AttributeKey=EventName,AttributeValue=Converse \
  --max-results 3 --query "Events[].{hora:EventTime,usuario:Username}" --output table

Puede tardar unos minutos en aparecer. Si abres un evento completo (--query "Events[0].CloudTrailEvent"), verás el modelId en requestParameters y, en llamadas con perfiles entre regiones, la región que procesó la petición en additionalEventData.inferenceRegion.

Comprueba que funciona

• aws budgets describe-budgets muestra curso-genai-mensual y has recibido (o recibirás) el correo de confirmación de la suscripción a avisos, si aplica.
• La llamada de la CLI devuelve stopReason: end_turn y un bloque usage.
• primera.py imprime la respuesta, el coste estimado (millonésimas de dólar) y un segundo turno con más tokens de entrada.
• stream.py muestra el texto apareciendo poco a poco.
• CloudTrail muestra al menos un evento Converse.

Limpieza

Este lab no deja recursos con coste. Mantén el presupuesto durante todo el curso. Borra solo los ficheros:

rm -f presupuesto.json avisos.json primera.py stream.py

Si algún día quieres eliminar el presupuesto:

aws budgets delete-budget --account-id $ACCOUNT_ID --budget-name curso-genai-mensual

Preguntas para pensar como arquitecto