Du må start med å lage en fork av dette repoet til din egen GitHub konto.
- Følg veiledningen her for å lage Access Key og Secret Access Key - https://github.com/glennbechdevops/aws-iam-accesskeys
- I din fork, velg "settings" og "Secrets and Variables"
- Velg "Code Spaces" og "New repository secret"
- Legg inn verdier for både AWS_ACCESS_KEY_ID og AWS_SECRET_ACCESS_KEY
- Fra din fork av dette repositoryet, starter du CodeSpaces. Keyboard shortcut er "."
- Alternativt, velg den grønne "Code", "Velg Codespaces" og "Create codespace from main"
- Fra ditt mnye CodeSpace - Åpne et terminalvindu, og velg "Continue working in GitHub Codespaces"
I terminalen kjør følgende kommandoer
curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" -o "awscliv2.zip"
unzip awscliv2.zip
sudo ./aws/install
Test at CLI og Akesessnøkler er riktig satt opp ved å kjøre
aws s3 ls
````�
## Litt om AWS Bedrock
AWS Bedrock er en tjeneste fra Amazon som gir tilgang til ulike KI-modeller uten behov for å håndtere den tekniske infrastrukturen selv. I denne oppgaven skal du bli kjent med Amazons egen generative KI-modell for bilder, "Titan."
Ved å bruke denne modellen kan du sende inn et "prompt," som for eksempel "en solnedgang over fjorden med palmer, fjell, og en elg i bakgrunnen." Bedrock vil deretter generere et bilde som samsvarer med beskrivelsen.
Funksjonaliteten vi trenger fra AWS Bedrock er foreløpig ikke tilgjengelig i Irland, så du vil se referanser til regionen "us-east-1" i koden. Likevel skal du bruke Irland (eu-west-1) som region for infrastrukturen din. Det er ingen problem for en Lambda-funksjon i Irland å benytte Bedrock-tjenesten i USA.
### Installer SAM
wget https://github.com/aws/aws-sam-cli/releases/latest/download/aws-sam-cli-linux-x86_64.zip unzip aws-sam-cli-linux-x86_64.zip -d sam-installation sudo ./sam-installation/install
# Oppgave: Implementer en Lambda-funksjon med SAM
I dette repositoryet finner du tre python-programmer. Programmene har "noen" utfordringer med tanke på kodekvalitet, men har fungerende kode for å genere vide, bilde og tekst.
1. generate_image.py - Lager et bilde basert på et tekst-prompt
2. generate_video.py - Lager en video basert på et tekst-prompt
3. generate_exam_question lager et tilfeldig eksamenssprørsmål til AWS Certified Developer Associate sertifiseringen
Din oppgave er å ta utgangspunkt en eller flere av Python-programmene og implementere de som AWS Lambda-funksjoner ved hjelp av AWS SAM (Serverless Application Model).
Prøv gjerne pythonkoden først for å bli kjent med tjenesten. I ditt codespace kan du lage et nytt Python `virtual environment`
```
python3 -m venv .venv
source .venv/bin/activate
pip3 install boto3
python generate_image.py
python generate_video.py
generate_exam_question.py
```
I klassens delte AWS-konto finnes det en S3-bucket med navnet `sopra-steria-ai-day-25` dere kan bruke for lagring av bilder og video
Et virtual environment i Python er et isolert miljø der du kan installere pakker og avhengigheter uten å påvirke resten av systemet. Det gjør det mulig å ha forskjellige prosjekter med ulike pakkeversjoner på samme maskin.
Eksempelbilde
<img width="1014" alt="image" src="img/croissant.png">
#### Trinn 1: Opprett en SAM-applikasjon
Sett opp infrastrukturen for Lambda-funksjonen - Bruk `sam init` til å generere en ny SAM-applikasjon.
#### Trinn 2: Skriv Lambda-funksjonen og forbedre koden
Flytt koden fra Python-programmet og skriv det om til en Lambda-funksjon. Fokuser først på å få ting til å fungere. Deretter kan du forsøke å forbedre koden ved feks å ikke hardkode bucketnavn og andre verdier -
men istedet bruke for eksempel environment variabler
```
Resources:
MyFunction:
Type: AWS::Serverless::Function
Properties:
CodeUri: src/
Handler: app.lambda_handler
Runtime: python3.12
Environment:
Variables:
BUCKET_NAME: my-demo-bucket
```
I Python-koden kan disse leses med kode som `bucket_name = os.environ.get("BUCKET_NAME", "")`
#### Test og deploy SAM-applikasjonen
1. Bygg Lambda-funksjonen lokalt med SAM CLI for å sikre at den fungerer som forventet.
```
sam build --use-container
```
2. Deploy applikasjonen.
Deploy applikasjonen med
```
sam deploy ....
```
Du må selv finne ut av argumentene for `sam deploy`
#### Tips og anbefalinger
- **Timeout**: Husk at Lambdafunksjoner har en konfigurerbar timeout, viktig spesielt for cideo
- **IAM-rolle**: Sørg for at Lambda-funksjonen har nødvendige tillatelser til å skrive til S3-bucketen, og kalle tjenesten AWS Bedrock
- **Regionkonfigurasjon**: Husk at regionen for infrastrukturen skal være `eu-west-1`, selv om ressurser som AWS Bedrock kan ligge i andre regioner.
## Bonusoppgaver (velg minst én)
For å utfordre deg selv litt ekstra kan du velge en eller flere av følgende bonusoppgaver. Disse bygger videre på Lambda-funksjonen du allerede har laget:
### 1. **Frontend-integrasjon**
Lag en enkel frontend (HTML/JavaScript eller React) som lar en bruker skrive inn en prompt i et tekstfelt og deretter kaller ditt API Gateway-endepunkt. Resultatet skal være at bildet lastes inn og vises direkte i nettleseren.
*Hint:* Du kan bruke `fetch` i JavaScript for å gjøre POST-kallet til API Gateway, og hente ut S3-URL-en fra responsen.
### 2. **Metadata i DynamoDB**
Utvid løsningen slik at hvert genererte bilde også registreres i en DynamoDB-tabell. Tabellen kan f.eks. lagre:
* kandidatnummer / brukernavn
* prompt (teksten brukt for å lage bildet)
* tidspunkt for generering
* S3-path til bildet
*Hint:* Bruk `boto3` sitt DynamoDB-API (`put_item`). Husk IAM-tilgang.
### 3. **Egen bucket og IAM-policy**
I stedet for å bruke den delte S3-bucketen, opprett din egen bucket i AWS-kontoen.
* Lag en bucket policy som tillater at API Gateway/Lambda kan skrive bilder.
* Sett opp en CloudFront-distribusjon foran bucketen, slik at bildene kan aksesseres via en offentlig URL med lavere latency.
*Hint:* Husk at du kan sette opp bucket policy direkte i SAM-templatefilen.