Bedrock es el servicio central de IA generativa de AWS y probablemente el más preguntado en el examen. Da acceso a foundation models de múltiples proveedores mediante una API unificada, sin gestionar infraestructura propia.
Contenido
Amazon Bedrock es un servicio completamente administrado que expone foundation models a través de una API REST consistente. "Serverless" significa que AWS gestiona por completo el hardware (GPUs), el escalado y la disponibilidad — el usuario solo envía solicitudes de inferencia y paga por lo que consume, sin aprovisionar ni administrar ninguna instancia.
Lo que Bedrock NO hace
Bedrock no entrena foundation models desde cero — da acceso a modelos ya entrenados por Amazon o por terceros. Para entrenar un modelo propio desde cero, el servicio correspondiente es SageMaker.
SageMaker JumpStart — complemento, no competidor
SageMaker JumpStart es un hub de modelos pre-entrenados (foundation models y otros) que se pueden desplegar con un clic directamente en infraestructura de SageMaker propia, con más control sobre el entorno de despliegue que Bedrock. Es complementario a Bedrock: Bedrock ofrece acceso serverless vía API a foundation models administrados; JumpStart permite desplegar modelos (incluyendo algunos de los mismos proveedores) en endpoints de SageMaker que tú gestionas.
Invoca tu primer foundation model desde el playground de Amazon Bedrock.
+1 más...
Ajusta el parámetro de temperature en Bedrock Playground y observa su efecto en la respuesta del modelo.
+1 más...
En vez de integrarse con la API propia de cada proveedor de IA por separado, Bedrock ofrece una única interfaz consistente para invocar modelos de distintos fabricantes: Amazon (familia Titan / Nova), Anthropic (Claude), Meta (Llama), Mistral AI, entre otros disponibles según la región.
Esto permite comparar modelos de distintos proveedores para el mismo caso de uso, o cambiar de modelo con cambios mínimos de código, sin gestionar credenciales ni infraestructura separada para cada proveedor.
Bedrock Knowledge Bases es la implementación administrada de RAG (Retrieval-Augmented Generation) de AWS: conecta tus propios documentos a un foundation model sin que tengas que gestionar una base de datos vectorial ni el pipeline de recuperación por separado. Se profundiza en el módulo de D3 (Aplicaciones de foundation models).
Bedrock Agents permite que un foundation model orqueste acciones concretas: llamar APIs, ejecutar funciones Lambda o consultar sistemas externos a partir de instrucciones en lenguaje natural, encadenando varios pasos de razonamiento automáticamente. Se profundiza en el módulo de D3.
Bedrock Guardrails es una capa de seguridad configurable que se aplica tanto a las entradas del usuario como a las respuestas del modelo, filtrando:
Contenido dañino
Bloquea temas como violencia, odio, contenido sexual explícito, autolesión
Temas prohibidos
Define temas específicos que el negocio no quiere que el modelo discuta (ej. consejos legales o médicos)
PII (información personal)
Detecta y redacta (oculta) datos sensibles como números de tarjeta o identificación
Prompt injection y jailbreaks
Detecta intentos de manipular al modelo para saltarse sus instrucciones originales
Punto clave para el examen
Guardrails filtra y controla contenido por razones de seguridad y cumplimiento — no mejora la precisión ni el conocimiento factual del modelo. No confundir con RAG (que sí mejora la precisión al añadir contexto real).
Bedrock permite personalizar foundation models existentes con tus propios datos, sin necesidad de entrenar un modelo desde cero como en SageMaker. Dos enfoques principales:
Fine-tuning
Ajusta los pesos del modelo base usando un dataset etiquetado propio (pares de prompt-respuesta), creando una versión privada del modelo especializada en el estilo, tono o dominio de tu negocio.
Continued pre-training
Continúa el pre-entrenamiento del modelo base con datos propios no etiquetados (por ejemplo, documentación interna extensa), ampliando su conocimiento de dominio antes de aplicarle prompt engineering o fine-tuning.
Los modelos personalizados resultantes permanecen privados de tu cuenta de AWS — no se comparten ni se usan para entrenar el modelo base de otros clientes.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una empresa usa Amazon Bedrock para su chatbot público y necesita evitar que el modelo responda preguntas sobre temas médicos y que exponga números de tarjeta de crédito que los usuarios podrían escribir por error en el chat. ¿Qué funcionalidad de Bedrock resuelve directamente este requisito?
Inicia sesión para llevar tu progreso.