¿Qué es Amazon Bedrock?

Amazon Bedrock es el servicio gestionado de AWS que permite acceder a modelos de IA de gran escala (LLM, diffusion, embedding) sin necesidad de infraestructura propia. Entre sus proveedores están Anthropic Claude, Meta Llama 2, AI21 Jurassic‑2 y Amazon Titan. Bedrock ofrece:

• API unificada (REST y SDK de boto3).
• Escalado automático y pago por token.
• Control de guardrails y cifrado en reposo y en tránsito.
• Integración nativa con Amazon S3, IAM y Amazon CloudWatch.

Casos de Uso de Marketing con LLM en Bedrock

Configuración Inicial

Antes de ejecutar cualquier script, asegúrate de cumplir los siguientes requisitos:

1. Cuenta AWS con permisos bedrock:InvokeModel y bedrock:ListCustomModels.
2. Instalar boto3 >= 1.34 y awscli configurado (aws configure).
3. Crear un IAM role o user con políticas de seguridad que incluyan least‑privilege y KMS para cifrado opcional.

pip install boto3 botocore tqdm

Ejemplo 1: Generar un Email de Promoción con Claude

En este ejemplo usamos Anthropic Claude 3.5 Sonnet para crear un email persuasivo basado en un brief de campaña.

import boto3, json, os
from datetime import datetime

# ---------------------------------------------------
# Configuración del cliente Bedrock
# ---------------------------------------------------
bedrock = boto3.client('bedrock-runtime', region_name='us-east-1')

model_id = 'anthropic.claude-3-5-sonnet-20240620-v1:0'

prompt = (
    "Eres un copywriter especializado en moda sostenible.\n"
    "Crea un email de 150‑200 palabras para lanzar la nueva colección "
    """Eco‑Summer 2025""" dirigida a mujeres de 25‑35 años, destacando:\n"
    "- Materiales reciclados,\n"
    "- Beneficio de envío gratuito,\n"
    "- Llamada a la acción clara (CTA) que incentive el click.\n"
    "Mantén un tono fresco, cercano y con toques de storytelling."
)

payload = {
    "prompt": prompt,
    "max_tokens": 500,
    "temperature": 0.7,
    "top_p": 0.9,
    "stop_sequences": ["\n\n"]
}

response = bedrock.invoke_model(
    body=json.dumps(payload),
    modelId=model_id,
    contentType='application/json',
    accept='application/json'
)

result = json.loads(response['body'].read())
print("--- EMAIL GENERATED ---\n")
print(result['completion'])

Resultado típico (truncado):

¡Hola Eco‑Lover!...

Tip: Ajusta temperature para mayor creatividad o max_tokens para textos más extensos.

Ejemplo 2: Segmentación de Audiencia con Embeddings (Titan Text Embeddings)

Este script convierte descripciones de usuarios en vectores, los guarda en Amazon OpenSearch Service y realiza una búsqueda k‑NN para encontrar los 5 usuarios más similares a una nueva persona.

import boto3, json, base64
import numpy as np
from opensearchpy import OpenSearch, RequestsHttpConnection
from requests_aws4auth import AWS4Auth

region = 'us-east-1'
bedrock = boto3.client('bedrock-runtime', region_name=region)
model_id = 'amazon.titan-embed-text-v1'

# Texto de ejemplo del cliente
user_profile = "Mujer, 28 años, le gusta moda sostenible, practica yoga y compra online cada 2 semanas."

payload = {
    "inputText": user_profile,
    "embeddingDimensions": 1536
}

resp = bedrock.invoke_model(
    body=json.dumps(payload),
    modelId=model_id,
    contentType='application/json',
    accept='application/json'
)

embedding = json.loads(resp['body'].read())['embedding']
vector = np.array(embedding, dtype='float32')

# ---------------------------------------------------
# Conexión a OpenSearch (IAM‑based auth)
# ---------------------------------------------------
credentials = boto3.Session().get_credentials()
auth = AWS4Auth(credentials.access_key, credentials.secret_key, region, 'es', session_token=credentials.token)
client = OpenSearch(
    hosts=[{'host': 'search-marketing-abc123.us-east-1.es.amazonaws.com', 'port': 443}],
    http_auth=auth,
    use_ssl=True,
    verify_certs=True,
    connection_class=RequestsHttpConnection
)

# Indexar documento
index_body = {
    "user_id": "U12345",
    "profile": user_profile,
    "vector": vector.tolist()
}
client.index(index='users', id='U12345', body=index_body, refresh=True)

# Búsqueda k‑NN (top 5)
query = {
    "size": 5,
    "query": {
        "knn": {
            "vector": {
                "vector": vector.tolist(),
                "k": 5
            }
        }
    }
}
res = client.search(index='users', body=query)
print('Usuarios similares:')
for hit in res['hits']['hits']:
    print(hit['_source']['user_id'], '-', hit['_source']['profile'])

Este flujo permite crear listas de segmentación dinámicas que alimentan campañas de email, retargeting o push notifications.

Comparativa Rápida: Bedrock vs Alternativas Populares

Buenas Prácticas y Optimización

• Prompt Engineering: usa system prompts claros, limita la longitud y reutiliza few‑shot examples para mayor consistencia.
• Batching: agrupa varias peticiones en un solo invoke_model cuando el modelo lo permite (p.ej., embeddings) para reducir latencia y costos.
• Cache de respuestas: almacena resultados de prompts estáticos en Amazon DynamoDB o ElastiCache y reutilízalos.
• Control de temperatura: valores 0.0‑0.3 para texto determinista (p.ej., generación de códigos), 0.7‑0.9 para creatividad.
• Monitoreo: habilita CloudWatch Logs y métricas de latencia; crea alarmas para > 2 s de respuesta.
• Seguridad: habilita VPC Endpoints para tráfico privado, usa KMS para cifrar datos sensibles antes de enviarlos al modelo.

Resolución de Problemas Comunes

⚡ Error 429 – Throttling

El número de peticiones supera el límite de la cuenta. Solución:

1. Implementa exponential backoff con retry (p.ej., tenacity).
2. Pide aumento de cuota vía AWS Support.

🔐 Error de autorización (AccessDeniedException)

Asegúrate de que el rol/usuario tenga la política AmazonBedrockFullAccess o una política personalizada con bedrock:InvokeModel y bedrock:ListFoundationModels.

📏 Respuestas truncadas

Incrementa max_tokens o usa stop_sequences adecuadamente. Si el modelo sigue cortando, divide el prompt en partes más pequeñas.

Roadmap y Tendencias Futuras

Bedrock está evolucionando rápidamente. Algunas expectativas para 2025‑2026:

• Modelos multimodales (texto + imagen) accesibles vía la misma API.
• Fine‑tuning gestionado para adaptar Titan o Llama a dominios específicos de marketing.
• Integración con Amazon SageMaker JumpStart para pipelines end‑to‑end.
• Herramientas de observabilidad IA que generan métricas de hallucination y bias.