Amazon-Bedrock-Wissensdatenbanken unterstützten jetzt binäre Vektoreinbettungen zum Erstellen von RAG-Anwendungen
Amazon-Bedrock-Wissensdatenbanken unterstützten jetzt binäre Vektoreinbettungen zum Erstellen von RAG-Anwendungen (Retrieval Augmented Generation). Dieses Feature ist mit dem Modell Titan Text Embeddings V2 und den Modellen Cohere Embed verfügbar. Amazon-Bedrock-Wissensdatenbanken bietet vollständig verwaltete RAG-Workflows zur Erstellung hochgenauer, sicherer und benutzerdefinierte RAG-Anwendungen (Retrieval-Augmented-Generation) mit niedriger Latenz, durch die Integration kontextbezogener Informationen aus den Datenquellen einer Organisation.
Binäre Vektoreinbettungen stellen Dokumenteinbettungen als binäre Vektoren dar, wobei jede Dimension als einzelne Binärziffer (0 oder 1) codiert ist. Binäre Einbettungen in RAG-Anwendungen bieten erhebliche Vorteile in Bezug auf Speichereffizienz, Rechengeschwindigkeit und Skalierbarkeit. Sie eignen sich hervorragend für umfangreiche Informationsabrufe, Umgebungen mit beschränkten Ressourcen und Echtzeitanwendungen.
Diese neue Funktion wird derzeit mit Amazon OpenSearch Serverless als Vector Store unterstützt. Diese wird in allen Amazon-Bedrock-Wissensdatenbanken-Regionen unterstützt, in denen Amazon Opensearch Serverless und Amazon Titan Text Embeddings V2 oder Cohere Embed verfügbar sind.
Weitere Informationen finden Sie in der Dokumentation.