Amazon-Bedrock-Wissensdatenbanken

Um Basismodelle (FMs) mit aktuellen und geschützten Informationen auszustatten, verwenden Organisationen Retrieval Augmented Generation (RAG), eine Technik, die Daten aus Unternehmensdatenquellen abruft und die Eingabeaufforderung anreichert, um relevantere und genauere Antworten zu liefern. Die Amazon-Bedrock-Wissensdatenbank ist eine vollständig verwaltete Funktion, die Sie bei der Implementierung des gesamten RAG-Workflows von der Dateneingabe über den Abruf bis hin zur sofortigen Erweiterung unterstützt, ohne dass Sie benutzerdefinierte Integrationen zu Datenquellen erstellen und Datenabläufe verwalten müssen. Alternativ können Sie Fragen stellen und Daten aus einem einzigen Dokument zusammenfassen, ohne eine Vektordatenbank einrichten zu müssen. Sie können auch eine integrierte Verwaltung des Sitzungskontextes einrichten, sodass Ihre Anwendung Multi-Turn-Konversationen unterstützen kann.

Sobald Sie auf den Speicherort Ihrer proprietären Daten verweisen, ruft die Amazon-Bedrock-Wissensdatenbank die Dokumente automatisch ab. Sie können Inhalte aus dem Internet und aus Repositories wie Amazon Simple Storage Service (Amazon S3), Confluence (Vorschau), Salesforce (Vorschau) und SharePoint (Vorschau) einfügen. Nach der Aufnahme des Inhalts unterteilt die Amazon-Bedrock-Wissensdatenbank den Inhalt in Textblöcke, konvertiert den Text in Einbettungen und speichert die Einbettungen in Ihrer Vektordatenbank.
Amazon-Bedrock-Wissensdatenbanken verwalten auch komplexe Workflows wie wie Inhaltsvergleich, Fehlerbehandlung, Durchsatzkontrolle, Verschlüsselung und mehr. Wenn Sie noch keine Vektordatenbank haben, erstellt Amazon Bedrock einen Amazon OpenSearch Serverless Vector Store für Sie. Alternativ können Sie einen vorhandenen Vektor-Speicher in einer der unterstützten Datenbanken angeben, einschließlich Amazon OpenSearch Serverless, Pinecone und Redis Enterprise Cloud, Amazon Aurora und MongoDB.

Sie können jetzt die Abfrage und Aufnahme feinabstimmen, um eine bessere Genauigkeit in allen Anwendungsfällen zu erzielen. Nutzen Sie erweiterte Parsing-Optionen, um unstrukturierte Daten (etwa PDFs, gescannte Bilder) mit komplexen Inhalten (etwa Tabellen) zu verstehen. Mit erweiterten Optionen für das Chunking von Daten, wie etwa dem benutzerdefinierten Chunking, können Sie Ihren eigenen Chunking-Code als Lambda-Funktion schreiben und sogar fertige Komponenten aus Frameworks wie LangChain und LlamaIndex verwenden. Wenn Sie möchten, können Sie auch eine unserer integrierten Chunking-Strategien verwenden, einschließlich unserer Standardeinstellung, fester Größe, ohne Chunking, hierarchischem Chunking oder semantischem Chunking. Verwenden Sie zum Zeitpunkt der Abfrage die Umformulierung von Abfragen, um die Fähigkeit des Systems zu verbessern, komplexe Abfragen zu verstehen.

Sie können die Retrieve API verwenden, um relevante Ergebnisse für eine Benutzerabfrage aus Wissensdatenbanken zu holen. Die RetrieveAndGenerate-API geht noch einen Schritt weiter, indem sie die abgerufenen Ergebnisse direkt verwendet, um die FM-Eingabeaufforderung zu ergänzen und die Antwort zurückzugeben. Sie können Amazon-Bedrock-Wissensdatenbanken auch zu Amazon Bedrock Agents hinzufügen, um Kundendienstmitarbeitern kontextbezogene Informationen zur Verfügung zu stellen.

Alle Informationen, die aus Amazon-Bedrock-Wissensdatenbanken abgerufen werden, sind mit Zitaten versehen, um die Transparenz zu verbessern und Halluzinationen zu minimieren.