Amazon Bedrock Bilgi Tabanları

Altyapı modellerini (FM) güncel ve tescilli bilgilerle donatmak için kuruluşlar, şirket veri kaynaklarından veri alan ve daha alakalı ve doğru yanıtlar sağlamak amacıyla istemi zenginleştiren bir teknik olan Retrieval Augmented Generation'ı (RAG) kullanır. Amazon Bedrock Bilgi Tabanları, veri kaynaklarına özel entegrasyonlar oluşturmak ve veri akışlarını yönetmek zorunda kalmadan alımdan geri almaya ve istem artırmaya kadar tüm RAG iş akışını uygulamanıza yardımcı olan tam olarak yönetilen bir özelliktir. Alternatif olarak, bir vektör veri tabanı oluşturmadan soru sorabilir ve tek bir belgeden verileri özetleyebilirsiniz. Ayrıca, uygulamanızın çok sıralı konuşmaları kolayca destekleyebilmesi için Oturum bağlam yönetimine yerleşik olarak da sahip olabilirsiniz.

Tescilli verilerinizin konumunu işaret ettiğinizde Amazon Bedrock Bilgi Tabanları, belgeleri otomatik olarak alır. Web'den ve Amazon Simple Storage Service (Amazon S3), Confluence (önizleme), Salesforce (önizleme), SharePoint (önizleme) gibi depolardan içerik alabilirsiniz. İçerik alındıktan sonra Amazon Bedrock Bilgi Tabanları; içeriği metin bloklarına böler, metni katıştırmaya dönüştürür ve katıştırmaları vektör veri tabanınızda saklar.
Amazon Bedrock Bilgi Tabanları ayrıca içerik karşılaştırma, hata işleme, aktarım hızı kontrolü, şifreleme ve daha fazlası gibi iş akışı karmaşıklıklarını da yönetir. Mevcut bir vektör veri tabanınız yoksa Amazon Bedrock sizin için bir Amazon OpenSearch Sunucusuz vektör deposu oluşturur. Amazon OpenSearch Sunucusuz, Pinecone ve Redis Enterprise Cloud, Amazon Aurora ve MongoDB dahil olmak üzere desteklenen veri tabanlarından birinde mevcut bir vektör deposunu da belirtebilirsiniz.

Kullanım örnekleri arasında daha iyi doğruluk elde etmek için alma işlemlerinde ince ayar yapabilirsiniz. Karmaşık içerikli (örneğin tablolar) yapılandırılmamış verileri (örn. PDF'ler, taranmış görüntüler) anlamak için gelişmiş ayrıştırma seçeneklerinden yararlanın. Özel toplama gibi gelişmiş veri toplama seçeneklerini kullanarak kendi toplama kodunuzu bir Lamda işlevi olarak yazabilir ve hatta LangChain ve LlamaIndex gibi çerçevelerdeki kullanıma hazır bileşenleri kullanabilirsiniz. İsterseniz varsayılan, sabit boyutlu, toplamasız, hiyerarşik toplama veya anlamsal toplama dahil olmak üzere yerleşik toplama stratejilerimizden birini de kullanabilirsiniz. Alma sırasında, sistemin karmaşık sorguları anlama yeteneğini geliştirmek için sorgu yeniden formülasyonundan yararlanın.

Bilgi tabanlarından bir kullanıcı sorgusuyla ilgili sonuçları almak için Retrieve API'sini kullanabilirsiniz. RetrieveAndGenerate API'si, altyapı modeli istemini artırmak ve yanıtı döndürmek için alınan sonuçları doğrudan kullanarak bir adım daha ileri gider. Temsilcilere bağlamsal bilgiler sağlamak için Amazon Bedrock Bilgi Tabanlarını, Amazon Bedrock Temsilcilerine de ekleyebilirsiniz.

Amazon Bedrock Bilgi Tabanlarından alınan tüm bilgiler, şeffaflığı artırmak ve halüsinasyonları en aza indirmek için alıntılarla sağlanır.