Amazon Bedrock Knowledge Bases kini mendukung sematan vektor biner untuk membangun aplikasi RAG
Amazon Bedrock Knowledge Bases kini mendukung sematan vektor biner untuk membangun aplikasi Retrieval Augmented Generation (RAG). Fitur ini tersedia dengan model Titan Text Embeddings V2 dan model Cohere Embed. Amazon Bedrock Knowledge Bases menawarkan alur kerja RAG yang terkelola sepenuhnya untuk membuat aplikasi retrieval-augmented-generation (RAG) yang sangat akurat, latensi rendah, aman, dan dapat disesuaikan dengan menggabungkan informasi kontekstual dari sumber data organisasi.
Sematan vektor biner merepresentasikan sematan dokumen sebagai vektor biner, dengan setiap dimensi dikodekan sebagai satu digit biner (0 atau 1). Sematan biner dalam aplikasi RAG menawarkan manfaat signifikan dalam efisiensi penyimpanan, kecepatan komputasi, dan skalabilitas. Mereka sangat berguna untuk pengambilan informasi berskala besar, lingkungan dengan sumber daya terbatas, dan aplikasi real-time.
Kemampuan baru ini saat ini didukung dengan Amazon OpenSearch Nirserver sebagai penyimpanan vektor. Didukung di semua region Amazon Bedrock Knowledge Bases tempat Amazon Opensearch Nirserver dan Penyematan Teks Amazon Titan V2 atau Cohere Embed tersedia.
Untuk informasi lebih lanjut, silakan lihat dokumentasi kami.