Basi di conoscenza per Amazon Bedrock

Per dotare i modelli di fondazione (FM) di informazioni aggiornate e proprietarie, le organizzazioni utilizzano Retrieval Augmented Generation (RAG), una tecnica che recupera dati dalle origini dati aziendali e arricchisce il prompt per fornire risposte più pertinenti e accurate. Knowledge Bases per Amazon Bedrock è una funzionalità completamente gestita che consente di implementare l'intero flusso di lavoro RAG, dall'importazione al recupero al miglioramento dei prompt, senza dover sviluppare integrazioni personalizzate per le origini dati e gestire i flussi di dati. In alternativa, puoi porre domande e riepilogare i dati da un singolo documento senza configurare un database vettoriale. Puoi anche disporre della gestione del contesto della sessione integrata; in tal modo, l'applicazione è in grado di supportare conversazioni su più turni fin da subito.

Una volta indicata la posizione dei dati proprietari, Knowledge Bases recupera automaticamente i documenti. È possibile importare contenuti dal web e da repository tra cui Amazon Simple Storage Service (Amazon S3), Confluence (anteprima), Salesforce (anteprima), SharePoint (anteprima). Una volta inserito il contenuto, Knowledge Bases lo suddivide in blocchi di testo, converte il testo in embedding e li archivia nel database vettoriale.
Knowledge Bases gestisce anche le complessità del flusso di lavoro tra cui il confronto dei contenuti, la gestione dei guasti, il controllo del throughput, la crittografia e altro ancora. Se non disponi di un database vettoriale esistente, Amazon Bedrock crea per te un archivio vettoriale per Amazon OpenSearch Serverless. In alternativa, è possibile specificare un archivio vettoriale esistente in uno dei database supportati, tra cui Amazon OpenSearch serverless, Pinecone e Redis Enterprise Cloud, Amazon Aurora e MongoDB.

È ora possibile ottimizzare il recupero e l'importazione per ottenere una maggiore precisione in tutti i casi d'uso. Sfrutta le opzioni di analisi avanzate per comprendere dati non strutturati (ad esempio PDF, immagini scansionate) con contenuti complessi (ad esempio tabelle). Utilizzando opzioni avanzate di suddivisioni dei dati tra cui una suddivisione personalizzata, è possibile scrivere il proprio codice come funzione Lamda e persino utilizzare componenti standard di framework come LangChain e LlamaIndex. Se si preferisce, è possibile anche utilizzare una delle strategie di suddivisione in blocchi integrate, tra cui la suddivisione in blocchi predefinita, a dimensione fissa, di non suddivisione, gerarchica o semantica. Al momento del recupero, è possibile utilizzare la riformulazione delle query per migliorare la capacità del sistema di comprensione di quelle complesse.

È possibile utilizzare l'API Retrieve per recuperare dalle knowledge base i risultati pertinenti per una richiesta dell'utente. L'API RetrieveAndGenerate si spinge anche oltre e utilizza direttamente i risultati recuperati per migliorare il prompt FM e restituire la risposta. È anche possibile aggiungere knowledge base ad Agenti per Amazon Bedrock per offrire informazioni contestuali agli agenti.

Tutte le informazioni recuperate da Knowledge Bases per Amazon Bedrock vengono fornite con citazioni per migliorare la trasparenza e ridurre al minimo le allucinazioni.