Basis Pengetahuan untuk Amazon Bedrock

Untuk melengkapi model fondasi (FM) dengan informasi terkini dan eksklusif, organisasi menggunakan Retrieval Augmented Generation (RAG), sebuah teknik yang mengambil data dari sumber data perusahaan dan memperkaya perintah untuk memberikan respons yang lebih relevan serta akurat. Knowledge Bases for Amazon Bedrock adalah kemampuan terkelola sepenuhnya yang membantu Anda mengimplementasikan seluruh alur kerja RAG mulai dari penyerapan hingga pengambilan dan augmentasi perintah tanpa harus membangun integrasi khusus ke sumber data dan mengelola aliran data. Selain itu, Anda dapat mengajukan pertanyaan dan meringkas data dari satu dokumen, tanpa menyiapkan basis data vektor. Manajemen konteks Sesi sudah terpasang, sehingga aplikasi Anda dapat dengan mudah mendukung percakapan multi-putaran.

Setelah Anda menunjuk ke lokasi data kepemilikan Anda, Basis Pengetahuan secara otomatis mengambil dokumen. Anda dapat mengambil konten dari web dan dari repositori seperti Amazon Simple Storage Service (Amazon S3), Confluence (pratinjau), Salesforce (pratinjau), SharePoint (pratinjau). Setelah konten diserap, Basis Pengetahuan membagi konten menjadi blok teks, mengubah teks menjadi penyematan, dan menyimpan penyematan dalam basis data vektor Anda.
Basis Pengetahuan juga mengelola kompleksitas alur kerja seperti perbandingan konten, penanganan kegagalan, kontrol throughput, enkripsi, dan banyak lagi. Jika Anda tidak memiliki basis data vektor, Amazon Bedrock membuat penyimpanan vektor Amazon OpenSearch Nirserver untuk Anda. Atau, Anda dapat menentukan penyimpanan vektor yang ada di salah satu basis data yang didukung, termasuk Amazon OpenSearch Nirserver, Pinecone, dan Redis Enterprise Cloud, Amazon Aurora, dan MongoDB.

Anda sekarang dapat menyempurnakan pengambilan dan penyerapan untuk mencapai akurasi yang lebih baik di seluruh kasus penggunaan. Manfaatkan opsi penguraian lanjutan untuk memahami data tidak terstruktur (misalnya PDF, gambar yang dipindai) dengan konten kompleks (misalnya, tabel). Menggunakan opsi pemotongan data lanjutan seperti chunking khusus, Anda dapat menulis kode chunking Anda sendiri sebagai fungsi Lamda, dan bahkan menggunakan komponen off-shelf dari kerangka kerja seperti LangChain dan LlamaIndex. Jika mau, Anda juga dapat menggunakan salah satu strategi chunking bawaan kami termasuk default, ukuran tetap, tanpa potongan, chunking hierarkis, atau pemotongan semantik. Pada saat pengambilan, manfaatkan reformulasi kueri untuk meningkatkan kemampuan sistem untuk memahami kueri kompleks.

Anda dapat menggunakan API Retrieve untuk mengambil hasil yang relevan untuk kueri pengguna dari basis pengetahuan. API RetrieveAndGenerate melangkah lebih jauh dengan langsung menggunakan hasil yang diambil untuk menambah perintah FM dan mengembalikan respons. Anda juga dapat menambahkan dasar pengetahuan ke Agen untuk Amazon Bedrock guna memberikan informasi kontekstual kepada agen.

Semua informasi yang diambil dari Knowledge Bases for Amazon Bedrock dilengkapi dengan kutipan untuk meningkatkan transparansi dan meminimalkan halusinasi.