Lernen Sie, wie Sie auf AWS KI-gestützte Analyse-Pipelines mithilfe von Amazon Bedrock, Lambda-Benchmarking und Amazon Q für Business Intelligence erstellen. Sie werden untersuchen, wie sich Bedrock für hochleistungsfähige Analysen in Rust integrieren lässt, und dabei Foundation-Modell-APIs aus serverlosen Architekturen mit Skalierung auf Token-Ebene aufrufen. Der Kurs behandelt die Erstellung von Rust-Bedrock-Analysepipelines, die den Modellaufruf mit der Datenverarbeitung kombinieren, sowie den Einsatz generativer KI zur Konvertierung von Python-Code in Rust für leistungskritische Workloads. Sie erstellen intelligente Code-Transformationspipelines, die die Sprachmigration automatisieren, fügen mit GenAI Leistungsinstrumentierung hinzu und bauen durchgängige AWS-Leistungspipelines von der Instrumentierung bis zur Analyse auf. Das Benchmarking-Modul demonstriert anhand synthetischer Fortune-500-Workloads einen realistischen Lambda-Kostenvergleich zwischen Python und Rust und zeigt dabei bei drei Milliarden monatlichen Aufrufen eine zehnfache Kostenunterschiede im großen Maßstab. Sie werden SageMaker DataWrangler für die Aufbereitung von Analysedaten nutzen und Aspekte der Energieeffizienz bei KI-Workloads untersuchen. Das Amazon Q-Modul behandelt die Umwandlung von Rohdaten in aussagekräftige, umsetzbare Erkenntnisse durch automatische Anomalieerkennung, natürliche Sprachverarbeitung, die Fragen in SQL- und Python-Abfragen umwandelt, sowie CodeCatalyst-Entwicklungsumgebungen für Analyseprojekte. Nach Abschluss dieses Kurses sind Sie in der Lage, Rust-Bedrock-Analytik-Pipelines zu erstellen, die Lambda-Leistung zur Kostenoptimierung zu benchmarken und Amazon Q für KI-gestützte Business Intelligence zu nutzen.