使用 AWS Bedrock 部署 AI 交通拥堵预测器：完整概述

我们都喜欢交通，对吧？这是我唯一一次思考我是如何完全搞砸了我的演示（想太多是一种痛苦）。

抛开所有笑话，我想创建一个项目，可以作为 PoC 实时查找流量，以便将来进一步增强它。了解交通拥堵预测器。

我将逐步介绍如何使用 AWS Bedrock 部署交通拥堵预测器。 AWS Bedrock 为基础模型提供完全托管的服务，使其非常适合部署 AI 应用程序。我们将涵盖从初始设置到最终部署和测试的所有内容。

现在，先决条件

• 具有适当权限的AWS帐户（必须使用我的借记卡进行验证，因为我认为它在一定限制内可以免费使用。痛苦）。
• Python 3.8
• 交通拥堵预测器代码（来自之前的开发）
• 已安装并配置 AWS CLI
• Python 和 AWS 服务的基本知识就足够了。

第 1 步：准备环境

首先，设置您的开发环境：

# Create a new virtual environment
python -m venv bedrock-env
source bedrock-env/bin/activate  # On Windows use: bedrock-env\Scripts\activate

# Install required packages
pip install boto3 pandas numpy scikit-learn streamlit plotly

第 2 步：AWS Bedrock 设置

1. 导航到 AWS 控制台并启用 AWS Bedrock

2. 在基岩中创建新模型：

• 转到 AWS Bedrock 控制台
• 选择“模型访问权限”
• 请求访问克劳德模型家族
• 等待批准（通常是即时的，但任何事情都可能发生）

步骤 3：修改 Bedrock 集成代码

创建一个新文件“bedrock_integration.py”：

import boto3
import json
import numpy as np
import pandas as pd
from typing import Dict, Any

class TrafficPredictor:
    def __init__(self):
        self.bedrock = boto3.client(
            service_name='bedrock-runtime',
            region_name='us-east-1'  # Change to your region
        )

    def prepare_features(self, input_data: Dict[str, Any]) -> pd.DataFrame:
        # Convert input data to model features
        hour = input_data['hour']
        day = input_data['day']

        features = pd.DataFrame({
            'hour_sin': [np.sin(2 * np.pi * hour/24)],
            'hour_cos': [np.cos(2 * np.pi * hour/24)],
            'day_sin': [np.sin(2 * np.pi * day/7)],
            'day_cos': [np.cos(2 * np.pi * day/7)],
            'temperature': [input_data['temperature']],
            'precipitation': [input_data['precipitation']],
            'special_event': [input_data['special_event']],
            'road_work': [input_data['road_work']],
            'vehicle_count': [input_data['vehicle_count']]
        })
        return features

    def predict(self, input_data: Dict[str, Any]) -> float:
        features = self.prepare_features(input_data)

        # Prepare prompt for Claude
        prompt = f"""
        Based on the following traffic conditions, predict the congestion level (0-10):
        - Time: {input_data['hour']}:00
        - Day of week: {input_data['day']}
        - Temperature: {input_data['temperature']}°C
        - Precipitation: {input_data['precipitation']}mm
        - Special event: {'Yes' if input_data['special_event'] else 'No'}
        - Road work: {'Yes' if input_data['road_work'] else 'No'}
        - Vehicle count: {input_data['vehicle_count']}

        Return only the numerical prediction.
        """

        # Call Bedrock
        response = self.bedrock.invoke_model(
            modelId='anthropic.claude-v2',
            body=json.dumps({
                "prompt": prompt,
                "max_tokens": 10,
                "temperature": 0
            })
        )

        # Parse response
        response_body = json.loads(response['body'].read())
        prediction = float(response_body['completion'].strip())

        return np.clip(prediction, 0, 10)

第4步：创建FastAPI后端

创建“api.py:”

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from bedrock_integration import TrafficPredictor
from typing import Dict, Any

app = FastAPI()
predictor = TrafficPredictor()

class PredictionInput(BaseModel):
    hour: int
    day: int
    temperature: float
    precipitation: float
    special_event: bool
    road_work: bool
    vehicle_count: int

@app.post("/predict")
async def predict_traffic(input_data: PredictionInput) -> Dict[str, float]:
    try:
        prediction = predictor.predict(input_data.dict())
        return {"congestion_level": prediction}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

第 5 步：创建 AWS 基础设施

创建“基础设施.py”：

import boto3
import json

def create_infrastructure():
    # Create ECR repository
    ecr = boto3.client('ecr')
    try:
        ecr.create_repository(repositoryName='traffic-predictor')
    except ecr.exceptions.RepositoryAlreadyExistsException:
        pass

    # Create ECS cluster
    ecs = boto3.client('ecs')
    ecs.create_cluster(clusterName='traffic-predictor-cluster')

    # Create task definition
    task_def = {
        'family': 'traffic-predictor',
        'containerDefinitions': [{
            'name': 'traffic-predictor',
            'image': f'{ecr.describe_repositories()["repositories"][0]["repositoryUri"]}:latest',
            'memory': 512,
            'cpu': 256,
            'essential': True,
            'portMappings': [{
                'containerPort': 8000,
                'hostPort': 8000,
                'protocol': 'tcp'
            }]
        }],
        'requiresCompatibilities': ['FARGATE'],
        'networkMode': 'awsvpc',
        'cpu': '256',
        'memory': '512'
    }

    ecs.register_task_definition(**task_def)

第 6 步：将应用程序容器化

创建“Dockerfile：”

FROM python:3.9-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

CMD ["uvicorn", "api:app", "--host", "0.0.0.0", "--port", "8000"]

创建“requirements.txt：”

fastapi
uvicorn
boto3
pandas
numpy
scikit-learn

第 7 步：部署到 AWS

运行这些命令：

# Build and push Docker image
aws ecr get-login-password --region us-east-1 | docker login --username AWS --password-stdin $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com
docker build -t traffic-predictor .
docker tag traffic-predictor:latest $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com/traffic-predictor:latest
docker push $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com/traffic-predictor:latest

# Create infrastructure
python infrastructure.py

第 8 步：更新 Streamlit 前端

修改“app.py”以连接到API：

import streamlit as st
import requests
import plotly.graph_objects as go
import plotly.express as px

API_ENDPOINT = "your-api-endpoint"

def predict_traffic(input_data):
    response = requests.post(f"{API_ENDPOINT}/predict", json=input_data)
    return response.json()["congestion_level"]

# Rest of the Streamlit code remains the same, but replace direct model calls
# with API calls using predict_traffic()

第 9 步：测试和监控

测试 API 端点：

curl -X POST "your-api-endpoint/predict" \
     -H "Content-Type: application/json" \
     -d '{"hour":12,"day":1,"temperature":25,"precipitation":0,"special_event":false,"road_work":false,"vehicle_count":1000}'

使用 AWS CloudWatch 进行监控：

• 设置 CloudWatch 仪表板
• 创建错误率和延迟警报
• 监控 API 使用情况和成本

如果一切顺利的话。恭喜！您已成功部署交通拥堵预测器。为了那个，垫垫自己的背！确保监控成本和性能、定期更新模型并实施 CI/CD 管道。下一步是添加用户身份验证、增强监控和警报、优化模型性能以及根据用户反馈添加更多功能。

感谢您阅读本文。让我知道任何想法、问题或观察！

以上是使用 AWS Bedrock 部署 AI 交通拥堵预测器：完整概述的详细内容。更多信息请关注PHP中文网其他相关文章！