Bases de conocimiento para Amazon Bedrock

Para dotar a los modelos fundacionales (FM) de información actualizada y patentada, las organizaciones utilizan la generación aumentada de recuperación (RAG), una técnica que obtiene datos de los orígenes de datos de la empresa y que enriquece la solicitud para ofrecer respuestas más relevantes y precisas. Las bases de conocimiento de Amazon Bedrock son una capacidad totalmente administrada que ayuda a implementar todo el flujo de trabajo de la RAG, desde la ingesta hasta la recuperación y el aumento de solicitudes, sin tener que crear integraciones personalizadas con los orígenes de datos y administrar los flujos de datos. Como alternativa, puede hacer preguntas y resumir los datos de un único documento, sin necesidad de configurar una base de datos vectorial. También puede tener una administración del contexto de las sesiones está integrada, por lo que la aplicación puede admitir fácilmente conversaciones de varios turnos.

Una vez que selecciona la ubicación de sus datos patentados, las bases de conocimiento recuperan automáticamente los documentos. Puede incorporar contenido de la web y de repositorios como Amazon Simple Storage Service (Amazon S3), Confluence (versión preliminar), Salesforce (versión preliminar) y SharePoint (versión preliminar). Una vez que se incorpora el contenido, las bases de conocimiento lo dividen en bloques de texto, convierten este texto en incrustaciones y almacenan estas incrustaciones en la base de datos vectorial.
Las bases de conocimiento también administran las complejidades del flujo de trabajo, como la comparación de contenido, la gestión de errores, el control del rendimiento, el cifrado y más. Si no tiene una base de datos vectorial existente, Amazon Bedrock crea un almacén vectorial de Amazon OpenSearch sin servidor para usted. Si no, puede especificar un almacén vectorial existente en una de las bases de datos compatibles, como Amazon OpenSearch sin servidor, Pinecone, Redis Enterprise Cloud, Amazon Aurora y MongoDB.

Ahora, puede ajustar la recuperación y la incorporación para lograr una mayor precisión en todos los casos de uso. Utilice las opciones de análisis avanzadas para comprender los datos no estructurados (como los archivos PDF o las imágenes escaneadas) con contenido complejo (por ejemplo, tablas). Con las opciones avanzadas de fragmentación de datos, como la fragmentación personalizada, puede escribir su propio código de fragmentación como una función de Lamda e incluso utilizar componentes estándar de marcos como LangChain y LlamaIndex. Si lo desea, también puede utilizar una de nuestras estrategias de fragmentación integradas, las cuales incluyen nuestra opción predeterminada, la de tamaño fijo, la fragmentación jerárquica, la semántica o la no fragmentación. En el momento de la recuperación, utilice la reformulación de las consultas para que el sistema pueda comprender mejor las consultas complejas.

Puede usar la nueva API Retrieve para recuperar los resultados relevantes de una consulta de usuario desde las bases de conocimiento. La nueva API RetrieveAndGenerate va un paso más allá debido a que utiliza directamente los resultados recuperados para aumentar la solicitud del FM y devolver la respuesta. También puede agregar bases de conocimientos a los agentes para Amazon Bedrock para proporcionar información contextual a los agentes.

Toda la información recuperada de las bases de conocimiento de Amazon Bedrock incluye citas para mejorar la transparencia y minimizar las alucinaciones.