Amazon Bedrock

Amazon Bedrock คือบริการ Generative AI แบบ fully managed จาก AWS ที่เปิดให้นักพัฒนาและองค์กรเข้าถึง Foundation Models (FMs) ชั้นนำจากหลายผู้ให้บริการผ่าน API เดียว ไม่ว่าจะเป็น Anthropic Claude, Meta Llama, Mistral AI, Stability AI, Cohere และ Amazon Titan โดยไม่ต้องจัดการโครงสร้างพื้นฐาน (infrastructure) ใดๆ ด้วยตนเอง ข้อมูลที่ส่งผ่าน Bedrock จะไม่ถูกนำไปใช้ฝึกโมเดลใดๆ ทำให้มั่นใจในความปลอดภัยและความเป็นส่วนตัวของข้อมูลองค์กร

นอกจากการเรียกใช้โมเดลโดยตรง Bedrock ยังมีชุดเครื่องมือครบครันสำหรับการสร้าง AI application ระดับ production เช่น Bedrock Agents สำหรับงาน agentic workflows, Knowledge Bases สำหรับ RAG (Retrieval-Augmented Generation), Guardrails สำหรับควบคุมเนื้อหา, Flows สำหรับสร้าง LLM pipeline แบบ no-code และอีกมากมาย รองรับการใช้งานตั้งแต่ prototyping ไปจนถึง production scale

AWS Docs: https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html

สถาปัตยกรรม

ฟีเจอร์หลัก

Foundation Models ที่รองรับ

Bedrock ให้เข้าถึงโมเดลจากผู้ให้บริการชั้นนำหลายราย:

Anthropic Claude — Claude 3.5 Sonnet, Claude 3.5 Haiku, Claude 3 Opus, Claude 3 Haiku โมเดลที่มีความสามารถสูงด้านการเขียน การวิเคราะห์ การเขียนโค้ด และการสนทนา
Meta Llama — Llama 3.1 8B, 70B, 405B โมเดล open-weight ที่มีประสิทธิภาพสูง
Mistral AI — Mistral 7B, Mixtral 8x7B, Mistral Large โมเดลประสิทธิภาพสูงขนาดกะทัดรัด
Amazon Titan — Titan Text, Titan Embeddings, Titan Image Generator โมเดลที่ AWS พัฒนาเอง
Stability AI — Stable Diffusion XL สำหรับสร้างภาพจาก text
Cohere — Command, Embed สำหรับงาน text generation และ embeddings
AI21 Labs — Jamba สำหรับงานภาษาศาสตร์

Amazon Bedrock Agents

บริการสำหรับสร้าง AI agents ที่สามารถดำเนินงานหลายขั้นตอนโดยอัตโนมัติ Agent สามารถ:

เรียก API ภายนอกผ่าน Action Groups
ค้นหาข้อมูลจาก Knowledge Bases
รันโค้ดผ่าน Code Interpreter
จัดการ session state และ memory ระหว่างการสนทนา
ทำงานร่วมกับ sub-agents (multi-agent collaboration)

Amazon Bedrock AgentCore

ชุดเครื่องมือระดับ enterprise สำหรับ deploy และจัดการ AI agents ใน production ประกอบด้วย:

AgentCore Runtime — managed runtime สำหรับ deploy agent code (Python/Node.js) พร้อม auto-scaling, session management และ timeout handling
AgentCore Memory — persistent memory store สำหรับ agents รองรับทั้ง key-value store และ semantic (vector) search เก็บความจำระยะสั้น (session) และระยะยาว (cross-session)
AgentCore Identity — จัดการ OAuth 2.0/OIDC authentication ให้ agents เชื่อมต่อกับบริการภายนอก เช่น Google, GitHub, Salesforce ในนามของผู้ใช้
AgentCore Gateway — API gateway สำหรับให้ agents เรียก REST/GraphQL APIs, Lambda functions และฐานข้อมูล พร้อม auto-generate tool schemas จาก OpenAPI specs
AgentCore Browser Tool — headless Chromium browser ให้ agents ท่องเว็บ อ่านเนื้อหา กรอกฟอร์ม และจับภาพหน้าจอได้
AgentCore Code Interpreter — sandboxed Python execution environment รองรับ pandas, numpy, matplotlib และ file I/O
AgentCore Observability — OpenTelemetry traces, token usage metrics, latency monitoring และ visual debugger ใน console เชื่อมต่อกับ CloudWatch

Amazon Bedrock Flows

เครื่องมือ visual no-code/low-code สำหรับสร้าง LLM pipeline โดยการลากวางโหนดต่างๆ:

Prompt nodes — กำหนด prompt template
Retrieval nodes — ดึงข้อมูลจาก Knowledge Bases
Condition nodes — ตรรกะแบบ if/else
Lambda nodes — เรียก Lambda function
Iterator nodes — วน loop ประมวลผลข้อมูลหลายชิ้น
Output nodes — ส่งผลลัพธ์ออก เหมาะสำหรับ business user และ data analyst ที่ต้องการสร้าง AI workflow โดยไม่ต้องเขียนโค้ด

Amazon Bedrock Knowledge Bases

ระบบ RAG (Retrieval-Augmented Generation) แบบ fully managed:

เชื่อมต่อแหล่งข้อมูล: S3, Confluence, SharePoint, Salesforce, web crawling, RDS, custom sources
Auto-chunking และ embedding เอกสารอัตโนมัติ
เก็บ vector embeddings ใน vector stores ที่รองรับ: OpenSearch Serverless, Aurora PostgreSQL (pgvector), Pinecone, MongoDB Atlas, Redis Enterprise
รองรับ hybrid search (keyword + semantic)
Metadata filtering สำหรับจำกัดขอบเขตการค้นหา

Amazon Bedrock Prompt Management

ระบบจัดการ prompt แบบครบวงจร:

บันทึกและ version prompt templates
แชร์ prompt ระหว่างทีม
Prompt catalog สำหรับ reuse
A/B testing prompt variants
เชื่อมต่อกับ Model Evaluation เพื่อวัดผล

Amazon Bedrock Guardrails

ชุดควบคุมความปลอดภัยของ AI:

Content filtering — กรอง hate speech, violence, sexual content, self-harm
PII redaction — ตรวจจับและลบข้อมูลส่วนตัว (ชื่อ, email, หมายเลขบัตรเครดิต, เลขบัตรประชาชน ฯลฯ)
Topic blocking — ห้าม agent พูดถึงหัวข้อที่ระบุ (เช่น การแข่งขัน, กฎหมาย)
Grounding check — ตรวจสอบว่าคำตอบสอดคล้องกับข้อมูลอ้างอิง (anti-hallucination)
Word filters — บล็อกคำหรือวลีเฉพาะ
ใช้งานได้กับทุก API call ไม่จำกัด model

Amazon Bedrock Model Evaluation

เครื่องมือ benchmark โมเดลบนข้อมูลของคุณเอง:

Human evaluation — ส่งผลลัพธ์ให้ผู้ใช้งานจริงให้คะแนน
Automatic evaluation — ใช้ LLM-as-judge วัดผล
Built-in metrics: accuracy, robustness, toxicity, summarization quality
เปรียบเทียบโมเดลหลายตัวพร้อมกันใน dashboard เดียว

Amazon Bedrock Fine-tuning

ปรับแต่งโมเดลด้วยข้อมูลของคุณเอง:

รองรับ supervised fine-tuning (instruction tuning)
ข้อมูล training เก็บใน S3
ผลลัพธ์คือโมเดล custom ที่ deploy บน Bedrock ได้ทันที
รองรับโมเดล: Amazon Titan, Cohere, Meta Llama

Amazon Bedrock Model Distillation

สร้างโมเดลขนาดเล็กที่มีประสิทธิภาพใกล้เคียงโมเดลใหญ่:

ใช้โมเดลใหญ่ (teacher) สร้าง synthetic training data
ฝึก fine-tune โมเดลขนาดเล็ก (student) ด้วยข้อมูลนั้น
ลดต้นทุนการ inference ได้อย่างมากพร้อมรักษาคุณภาพ

Amazon Bedrock Marketplace

ตลาด third-party models:

ค้นพบและ deploy โมเดลจากผู้ให้บริการนอก AWS
รวม specialized models สำหรับงานเฉพาะทาง (medical, legal, finance)
billing ผ่าน AWS account เดียว

Converse API

Unified chat API ที่ใช้งานได้กับทุก model ใน Bedrock:

รูปแบบ messages เดียวกัน ไม่ว่าจะใช้ Claude, Llama หรือ Mistral
รองรับ multi-turn conversation, system prompts, tool use
ง่ายต่อการสลับโมเดลโดยไม่ต้องแก้โค้ด

Cross-region Inference

การกระจาย inference request ข้ามหลาย AWS regions โดยอัตโนมัติ:

เพิ่ม availability และลด throttling
รองรับ failover อัตโนมัติเมื่อ region หนึ่งมีปัญหา
ไม่ต้องเปลี่ยนโค้ด เพียงใช้ cross-region inference profile

การติดตั้งและการตั้งค่า

เปิดใช้งานใน AWS Console

เข้า AWS Console แล้วไปที่ Amazon Bedrock
คลิก Model access ในแถบเมนูซ้าย
คลิก Modify model access
เลือกโมเดลที่ต้องการใช้ (บางโมเดลต้องกรอกข้อมูลเพิ่มเติมก่อน approve)
คลิก Submit และรอประมาณ 1-5 นาที

ติดตั้ง SDK

Python (boto3)

pip install boto3

Node.js

npm install @aws-sdk/client-bedrock-runtime

AWS CLI

aws configure  # ตั้งค่า credentials
aws bedrock list-foundation-models --region us-east-1

IAM Permissions ที่จำเป็น

สร้าง IAM policy สำหรับการใช้งาน Bedrock:

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "bedrock:InvokeModel",
        "bedrock:InvokeModelWithResponseStream",
        "bedrock:ListFoundationModels",
        "bedrock:GetFoundationModel"
      ],
      "Resource": "*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "bedrock:RetrieveAndGenerate",
        "bedrock:Retrieve"
      ],
      "Resource": "arn:aws:bedrock:*:*:knowledge-base/*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "bedrock:InvokeAgent"
      ],
      "Resource": "arn:aws:bedrock:*:*:agent-alias/*"
    }
  ]
}

วิธีใช้งาน

เรียกใช้โมเดลด้วย Converse API (Python)

import boto3
import json

client = boto3.client("bedrock-runtime", region_name="us-east-1")

response = client.converse(
    modelId="anthropic.claude-3-5-sonnet-20241022-v2:0",
    messages=[
        {
            "role": "user",
            "content": [{"text": "สรุปแนวโน้มธุรกิจ e-commerce ในไทยปี 2025 ให้หน่อย"}]
        }
    ],
    system=[
        {"text": "คุณคือผู้เชี่ยวชาญด้านธุรกิจดิจิทัลในประเทศไทย ตอบเป็นภาษาไทยเสมอ"}
    ],
    inferenceConfig={
        "maxTokens": 1024,
        "temperature": 0.7
    }
)

output = response["output"]["message"]["content"][0]["text"]
print(output)

Streaming Response (Python)

import boto3

client = boto3.client("bedrock-runtime", region_name="us-east-1")

response = client.converse_stream(
    modelId="anthropic.claude-3-5-sonnet-20241022-v2:0",
    messages=[
        {
            "role": "user",
            "content": [{"text": "เขียนบทความเกี่ยวกับ AI ในอนาคต"}]
        }
    ]
)

stream = response["stream"]
for event in stream:
    if "contentBlockDelta" in event:
        delta = event["contentBlockDelta"]["delta"]
        if "text" in delta:
            print(delta["text"], end="", flush=True)

ใช้งาน Knowledge Bases (RAG)

import boto3

bedrock_agent = boto3.client("bedrock-agent-runtime", region_name="us-east-1")

response = bedrock_agent.retrieve_and_generate(
    input={"text": "ขั้นตอนการขอสินเชื่อบ้านมีอะไรบ้าง?"},
    retrieveAndGenerateConfiguration={
        "type": "KNOWLEDGE_BASE",
        "knowledgeBaseConfiguration": {
            "knowledgeBaseId": "YOUR_KB_ID",
            "modelArn": "arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-3-5-sonnet-20241022-v2:0",
            "retrievalConfiguration": {
                "vectorSearchConfiguration": {
                    "numberOfResults": 5
                }
            }
        }
    }
)

print(response["output"]["text"])
for citation in response.get("citations", []):
    print("อ้างอิงจาก:", citation["retrievedReferences"][0]["location"])

เรียกใช้ Bedrock Agent

import boto3
import uuid

client = boto3.client("bedrock-agent-runtime", region_name="us-east-1")

session_id = str(uuid.uuid4())

response = client.invoke_agent(
    agentId="YOUR_AGENT_ID",
    agentAliasId="YOUR_ALIAS_ID",
    sessionId=session_id,
    inputText="ช่วยตรวจสอบยอดเงินในบัญชีและแจ้งรายการล่าสุด 5 รายการ"
)

for event in response["completion"]:
    if "chunk" in event:
        print(event["chunk"]["bytes"].decode("utf-8"), end="")

ใช้งาน Guardrails

import boto3

client = boto3.client("bedrock-runtime", region_name="us-east-1")

response = client.converse(
    modelId="anthropic.claude-3-5-sonnet-20241022-v2:0",
    messages=[
        {
            "role": "user",
            "content": [{"text": "แนะนำวิธีลงทุนในหุ้น"}]
        }
    ],
    guardrailConfig={
        "guardrailIdentifier": "YOUR_GUARDRAIL_ID",
        "guardrailVersion": "1",
        "trace": "enabled"
    }
)

# ตรวจสอบว่า Guardrail ถูก trigger หรือไม่
if response.get("stopReason") == "guardrail_intervened":
    print("เนื้อหาถูกกรองโดย Guardrail")
else:
    print(response["output"]["message"]["content"][0]["text"])

ราคา (ประมาณการในบาท)

อัตราแลกเปลี่ยน: 1 USD = 35 บาท

ค่าใช้จ่ายตาม Token (On-demand)

โมเดล	Input (ต่อ 1M tokens)	Output (ต่อ 1M tokens)
Claude 3.5 Sonnet	$3.00 (~105 บาท)	$15.00 (~525 บาท)
Claude 3.5 Haiku	$0.80 (~28 บาท)	$4.00 (~140 บาท)
Claude 3 Haiku	$0.25 (~8.75 บาท)	$1.25 (~43.75 บาท)
Claude 3 Opus	$15.00 (~525 บาท)	$75.00 (~2,625 บาท)
Llama 3.1 70B	$0.72 (~25.20 บาท)	$0.72 (~25.20 บาท)
Llama 3.1 8B	$0.22 (~7.70 บาท)	$0.22 (~7.70 บาท)
Mistral Large	$3.00 (~105 บาท)	$9.00 (~315 บาท)
Amazon Titan Text G1 Express	$0.20 (~7 บาท)/1K	$0.25 (~8.75 บาท)/1K

Knowledge Bases

เก็บ vectors: $0.10 ต่อ 1,000 vectors ต่อเดือน (~3.50 บาท)
Query: $0.0004 ต่อ query (~0.014 บาท)
ตัวอย่าง: เก็บเอกสาร 10,000 หน้า (~100,000 vectors) = $10/เดือน (~350 บาท) + ค่า query

Bedrock Agents

คิดตามจำนวน API call ที่ agent ทำ + ค่า token ของโมเดลที่ใช้
ไม่มีค่าธรรมเนียมเพิ่มเติมสำหรับ orchestration

Bedrock Guardrails

$0.75 ต่อ 1,000 text units (~26.25 บาท) สำหรับ content filtering
$0.10 ต่อ 1,000 text units (~3.50 บาท) สำหรับ grounding check

Fine-tuning

ขึ้นอยู่กับโมเดลและขนาด dataset แต่ละโมเดลมีราคาแตกต่างกัน
ตัวอย่าง Amazon Titan Text: $0.0080 ต่อ 1,000 token สำหรับ training

เหมาะสำหรับ

บริษัท startup และองค์กรขนาดใหญ่ ที่ต้องการสร้าง Generative AI application โดยไม่ต้องดูแล GPU infrastructure
ทีม developer ที่ต้องการทดลองและเปรียบเทียบ Foundation Models หลายตัวเพื่อเลือกที่ดีที่สุดสำหรับงาน
องค์กรที่มีข้อกังวลด้าน data privacy เพราะ Bedrock ไม่นำข้อมูลไปฝึกโมเดล และรองรับ VPC endpoint
ทีมที่ต้องการสร้าง chatbot หรือ AI assistant จากเอกสารภายในองค์กรด้วย Knowledge Bases
ทีม operations ที่ต้องการ automate workflow ด้วย Agents
บริษัทที่ต้องการ compliance เช่น ธุรกิจการเงิน สุขภาพ กฎหมาย ที่ต้องการ Guardrails ควบคุมเนื้อหา
นักวิจัยและ data scientist ที่ต้องการ fine-tune โมเดลด้วยข้อมูลเฉพาะทาง

ใช้ร่วมกับ AWS Services

AWS Service	การเชื่อมต่อ
Amazon S3	เก็บเอกสารสำหรับ Knowledge Bases, training data สำหรับ fine-tuning, output ของ batch inference
AWS Lambda	Action Groups ของ Agents เรียก Lambda เพื่อ execute business logic
Amazon OpenSearch Serverless	Vector store สำหรับ Knowledge Bases
Amazon Aurora PostgreSQL	Vector store ผ่าน pgvector extension
Amazon CloudWatch	เก็บ logs, metrics และ traces ของ Bedrock API calls
AWS IAM	ควบคุม access ด้วย roles และ policies
Amazon Kendra	ทำ hybrid search ร่วมกับ Knowledge Bases
AWS Step Functions	Orchestrate multi-step AI workflows
Amazon EventBridge	Trigger Bedrock workflows จาก events
AWS Secrets Manager	เก็บ API keys สำหรับ Action Groups
Amazon SageMaker	นำโมเดลที่ train บน SageMaker มา deploy บน Bedrock Marketplace

Use Case ตัวอย่าง

Use Case 1: ระบบ Customer Support อัจฉริยะสำหรับธุรกิจประกันภัย

บริษัทประกันภัยไทยมีเอกสารกรมธรรม์และข้อกำหนดกว่า 50,000 หน้า ที่พนักงาน call center ต้องค้นหาทุกครั้งที่ลูกค้าโทรมาสอบถาม

สถาปัตยกรรม:

อัปโหลดเอกสารกรมธรรม์ทั้งหมดไป S3
สร้าง Knowledge Base ที่ชี้ไปยัง S3 bucket นั้น ใช้ Amazon Titan Embeddings สร้าง vector
สร้าง Bedrock Agent พร้อม Action Groups ที่เชื่อมต่อกับระบบ CRM ผ่าน Lambda
ตั้ง Guardrails กรองข้อมูล PII และหัวข้อที่ไม่เกี่ยวข้อง
Agent ค้นหาข้อมูลจาก Knowledge Base และดึงข้อมูลลูกค้าจาก CRM พร้อมกัน

ผลลัพธ์: ลดเวลาตอบคำถามต่อสายจาก 8 นาที เหลือ 1.5 นาที พนักงานสามารถรับสายได้มากขึ้น 5 เท่า

Use Case 2: Content Generation Pipeline สำหรับ e-commerce

บริษัท e-commerce ต้องการสร้าง product description ภาษาไทยสำหรับสินค้าใหม่วันละหลายร้อยรายการ

สถาปัตยกรรม:

ใช้ Bedrock Flows สร้าง pipeline: รับ product spec → แปลงเป็น description → ตรวจสอบ SEO keywords → output
ใช้ Claude 3.5 Haiku (ราคาประหยัด) สำหรับ description generation
ใช้ Prompt Management จัดการ templates หลายแบบ (สั้น/ยาว, formal/casual)
ใช้ Guardrails ตรวจสอบว่าไม่มีคำกล่าวอ้างที่เกินจริง
เชื่อมต่อ EventBridge trigger ให้ pipeline รันอัตโนมัติเมื่อมีสินค้าใหม่เข้าระบบ

ผลลัพธ์: ลดต้นทุน content creation จาก 50 บาท/รายการ (จ้างนักเขียน) เหลือ ~0.50 บาท/รายการ

Use Case 3: ระบบวิเคราะห์เอกสารสัญญาทางกฎหมาย

สำนักงานกฎหมายต้องการเครื่องมือช่วยทนายความวิเคราะห์สัญญาและหาความเสี่ยง

สถาปัตยกรรม:

รับ PDF สัญญาผ่าน API → แปลงเป็น text → ส่งไป Bedrock
ใช้ Claude 3.5 Sonnet วิเคราะห์ข้อสัญญาที่มีความเสี่ยงสูง
ใช้ Knowledge Base เก็บ case law และมาตรฐานสัญญา เพื่อ RAG
ใช้ Model Evaluation เปรียบเทียบ Claude กับ Llama เพื่อเลือกโมเดลที่ดีที่สุดสำหรับงานกฎหมายไทย
ใช้ Guardrails กรองข้อมูลลูกค้าที่เป็น PII ก่อนส่งไปโมเดล

ผลลัพธ์: ทนายความสามารถวิเคราะห์สัญญาได้เร็วขึ้น 10 เท่า มีเวลาโฟกัสกับงานที่ซับซ้อนมากขึ้น

สถาปัตยกรรม​

ฟีเจอร์หลัก​

Foundation Models ที่รองรับ​

Amazon Bedrock Agents​

Amazon Bedrock AgentCore​

Amazon Bedrock Flows​

Amazon Bedrock Knowledge Bases​

Amazon Bedrock Prompt Management​

Amazon Bedrock Guardrails​

Amazon Bedrock Model Evaluation​

Amazon Bedrock Fine-tuning​

Amazon Bedrock Model Distillation​

Amazon Bedrock Marketplace​

Converse API​

Cross-region Inference​

การติดตั้งและการตั้งค่า​

เปิดใช้งานใน AWS Console​

ติดตั้ง SDK​

IAM Permissions ที่จำเป็น​

วิธีใช้งาน​

เรียกใช้โมเดลด้วย Converse API (Python)​

Streaming Response (Python)​

ใช้งาน Knowledge Bases (RAG)​

เรียกใช้ Bedrock Agent​

ใช้งาน Guardrails​

ราคา (ประมาณการในบาท)​

ค่าใช้จ่ายตาม Token (On-demand)​

Knowledge Bases​

Bedrock Agents​

Bedrock Guardrails​

Fine-tuning​

เหมาะสำหรับ​

ใช้ร่วมกับ AWS Services​

Use Case ตัวอย่าง​

Use Case 1: ระบบ Customer Support อัจฉริยะสำหรับธุรกิจประกันภัย​

Use Case 2: Content Generation Pipeline สำหรับ e-commerce​

Use Case 3: ระบบวิเคราะห์เอกสารสัญญาทางกฎหมาย​

สถาปัตยกรรม

ฟีเจอร์หลัก

Foundation Models ที่รองรับ

Amazon Bedrock Agents

Amazon Bedrock AgentCore

Amazon Bedrock Flows

Amazon Bedrock Knowledge Bases

Amazon Bedrock Prompt Management

Amazon Bedrock Guardrails

Amazon Bedrock Model Evaluation

Amazon Bedrock Fine-tuning

Amazon Bedrock Model Distillation

Amazon Bedrock Marketplace

Converse API

Cross-region Inference

การติดตั้งและการตั้งค่า

เปิดใช้งานใน AWS Console

ติดตั้ง SDK

IAM Permissions ที่จำเป็น

วิธีใช้งาน

เรียกใช้โมเดลด้วย Converse API (Python)

Streaming Response (Python)

ใช้งาน Knowledge Bases (RAG)

เรียกใช้ Bedrock Agent

ใช้งาน Guardrails

ราคา (ประมาณการในบาท)

ค่าใช้จ่ายตาม Token (On-demand)

Knowledge Bases

Bedrock Agents

Bedrock Guardrails

Fine-tuning

เหมาะสำหรับ

ใช้ร่วมกับ AWS Services

Use Case ตัวอย่าง

Use Case 1: ระบบ Customer Support อัจฉริยะสำหรับธุรกิจประกันภัย

Use Case 2: Content Generation Pipeline สำหรับ e-commerce

Use Case 3: ระบบวิเคราะห์เอกสารสัญญาทางกฎหมาย