ฐานความรู้สำหรับ Amazon Bedrock

เพื่อให้โมเดลพื้นฐาน (FM) มีข้อมูลที่ทันสมัยและเป็นกรรมสิทธิ์ องค์กรต่าง ๆ จึงใช้ Retrieval Augmented Generation (RAG) ซึ่งเป็นเทคนิคที่ดึงข้อมูลจากแหล่งที่มาของข้อมูลของบริษัทและเพิ่มประสิทธิภาพความรวดเร็วในการให้คำตอบที่เกี่ยวข้องมากขึ้นและแม่นยำยิ่งขึ้น ฐานความรู้สำหรับ Amazon Bedrock เป็นความสามารถในการจัดการอย่างเต็มที่ซึ่งช่วยให้คุณใช้เวิร์กโฟลว์ RAG ทั้งหมดตั้งแต่การนำเข้าข้อมูลไปจนถึงการดึงและการเพิ่มประสิทธิภาพอย่างรวดเร็วโดยไม่ต้องสร้างการผสานรวมแบบกำหนดเองกับแหล่งที่มาของข้อมูลและจัดการกระแสข้อมูล หรือคุณสามารถถามคำถามและสรุปข้อมูลจากเอกสารเดียวโดยไม่ต้องตั้งค่าฐานข้อมูลเวกเตอร์ คุณสามารถกำหนดให้มีการจัดการบริบทเซสชันในตัว เพื่อให้แอปของคุณสามารถสนับสนุนการสนทนาแบบหลายรอบได้อย่างท่วงทัน

เมื่อคุณชี้ไปที่ตำแหน่งของข้อมูลที่เป็นกรรมสิทธิ์ของคุณ ฐานความรู้ Amazon Bedrock จะดึงเอกสารโดยอัตโนมัติ คุณสามารถกลืนเนื้อหาจากเว็บและจากที่เก็บเช่น Amazon Simple Storage Service (Amazon S3), Confluence (ตัวอย่าง), Salesforce (ตัวอย่าง), SharePoint (ตัวอย่าง) เมื่อเนื้อหาได้รับการประมวลผล ฐานความรู้ Amazon Bedrock จะแบ่งเนื้อหาออกเป็นบล็อกของข้อความ แปลงข้อความเป็นการฝังและเก็บการฝังไว้ในฐานข้อมูลเวกเตอร์ของคุณ
นอกจากนี้ ฐานความรู้ Amazon Bedrock ยังจัดการความซับซ้อนของเวิร์กโฟลว์ เช่น การเปรียบเทียบเนื้อหา การจัดการความล้มเหลว การควบคุมอัตราการโอนถ่ายข้อมูล การเข้ารหัส และอื่น ๆ หากคุณไม่มีฐานข้อมูลเวกเตอร์ที่มีอยู่ Amazon Bedrock จะสร้างที่เก็บเวกเตอร์ Amazon OpenSearch แบบไม่ต้องใช้เซิร์ฟเวอร์สำหรับคุณ หรือคุณสามารถระบุที่เก็บเวกเตอร์ที่มีอยู่ในฐานข้อมูลใดฐานข้อมูลหนึ่งที่สนับสนุน รวมถึง Amazon OpenSearch แบบไม่ต้องใช้เซิร์ฟเวอร์, Pinecone, Redis Enterprise Cloud, Amazon Aurora และ MongoDB

ตอนนี้คุณสามารถปรับการดึงและการกลืนได้อย่างละเอียดเพื่อให้ได้ความแม่นยำที่ดีขึ้นในทุกกรณีการใช้งาน ใช้ประโยชน์จากตัวเลือกการวิเคราะห์ขั้นสูงเพื่อทำความเข้าใจข้อมูลที่ไม่มีโครงสร้าง (เช่น PDF ภาพที่สแกน) ที่มีเนื้อหาที่ซับซ้อน (เช่น ตาราง) การใช้ตัวเลือกการแบ่งข้อมูลขั้นสูงเช่นการตัดแบบกำหนดเองคุณสามารถเขียนโค้ดตัดของคุณเองเป็นฟังก์ชัน Lamda และแม้แต่ใช้ส่วนประกอบนอกชั้นวางจากเฟรมเวิร์กเช่น LangChain และ LlamaIndex หากคุณต้องการ คุณยังสามารถใช้กลยุทธ์การแบ่งส่วนในตัวของเราได้แก่ ค่าเริ่มต้น ขนาดคงที่ ไม่มีการตัด การตัดแบบลำดับชั้น หรือการตัดตามความหมาย ในเวลาของการดึงข้อมูลให้ใช้การกำหนดแบบสอบถามใหม่เพื่อปรับปรุงความสามารถของระบบในการทำความเข้าใจแบบสอบถามที่ซับซ้อน

คุณสามารถใช้ดึงข้อมูล API เพื่อดึงผลลัพธ์ที่เกี่ยวข้องสำหรับการสืบค้นของผู้ใช้จากฐานความรู้ RetrieveAndGenerate API ก้าวไปอีกขั้นหนึ่งโดยใช้ผลลัพธ์ที่ดึงมาโดยตรงเพื่อเพิ่มพรอมต์ FM และส่งคืนการตอบกลับ คุณยังสามารถเพิ่มฐานความรู้ให้กับเอเจนต์สำหรับ Amazon Bedrock เพื่อให้ข้อมูลตามบริบทแก่เอเจนต์ได้

ข้อมูลทั้งหมดที่ดึงมาจากฐานความรู้สำหรับ Amazon Bedrock นั้นมาพร้อมกับการอ้างอิงเพื่อปรับปรุงความโปร่งใสและผลลัพธ์เพี้ยน