Amazon Web Services ブログ

Amazon Personalize のソリューションの自動トレーニング

Amazon Personalize が自動トレーニングソリューションの機能を発表しました。ソリューションのトレーニングは、モデルの有効性を維持し、ユーザーの変化する行動やニーズに合わせて推薦を調整するために不可欠です。データのパターンやトレンドが時間とともに変化するため、最新の関連データを使ってソリューションを再トレーニングすることで、モデルが学習してニーズに適応し、予測精度が向上します。自動トレーニングは新しいソリューションバージョンを生成することで、モデルのドリフトを軽減し、現在のユーザー行動に合わせた関連性の高い推薦を維持します。また、最新のアイテムも含まれるため、パーソナライズされたエンゲージングな体験を提供し、変化するニーズに適応できます。この投稿では、Amazon Personalize における自動トレーニングの設定手順を紹介しており、ソリューションと推薦の精度と関連性を維持する方法が解説されています。

AWS Supply Chain の新機能によるデータ取り込みと導入

AWS Supply Chain に、データ取り込みプロセスを簡素化し、アプリケーションの利用促進と導入体験を […]

Advanced RAG Architecture

Amazon Kendra と Amazon Bedrock で構成した RAG システムに対する Advanced RAG 手法の精度寄与検証

Advanced RAG の枠組みでは、検索前処理 (pre-retrieval) と検索後処理 (post-retrieval) としてさまざまな工夫が考案されています。検索前処理では、インデックス構造の最適化やクエリの改善を行います。検索後処理では、検索結果のランク付けや情報の圧縮を行い、大規模言語モデル (LLM) への入力を最適化します。これにより、よりコンパクトで的確な追加情報を LLM に提供し、応答品質の向上を図ります。本記事では Advanced RAG に分類される手法のうち、特に LLM を用いたクエリ拡張 (query expansion) と、検索結果の関連度評価という手法による回答品質への影響を簡易的に評価した結果を紹介します。

Knowledge Bases for Amazon Bedrock がメタデータフィルタリングをサポートし検索精度向上

Knowledge Bases for Amazon Bedrock で最近リリースされた機能であるハイブリッド検索では、セマンティック検索とキーワード検索を組み合わせることができます。しかしながら多くの場合、特定の期間内に作成されたドキュメントや、特定のカテゴリでタグ付けされたドキュメントを取得する必要があります。ドキュメントのメタデータに基づくフィルタリングを行うことで検索精度が向上し、より適切な回答の生成が可能になります。このブログでは、Knowledge Bases for Amazon Bedrock の新しいカスタムメタデータフィルタリング機能について説明します。

Knowledge Bases for Amazon Bedrock がハイブリッド検索をサポート

AWS re:Invent 2023 にて、Knowledge Bases for Amazon Bedrock の一般提供を発表しました。Knowledge Bases for Amazon Bedrock を使えば、Amazon Bedrock の基盤モデル (Foundation Model; FM) に自社のデータをセキュアに接続し、Retrieval Augmented Generation (RAG) をマネージドで実現できます。
この記事では、セマンティック検索に加えてオプションとして選択可能な新機能のハイブリッド検索について説明します。

← Older posts
Newer posts →