HAQM-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 HAQM-Bedrock-Wissensdatenbank ist eine vollständig verwaltete Funktion mit integriertem Sitzungskontextmanagement und Quellenangabe, 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 Datenflüsse verwalten müssen. Sie können auch Fragen stellen und Daten aus einem einzigen Dokument zusammenfassen, ohne eine Vektordatenbank einrichten zu müssen. Wenn Ihre Daten strukturierte Quellen enthalten, bietet HAQM Bedrock Wissensdatenbanken eine integrierte Lösung für die Generierung eines Abfragebefehls zum Abrufen der Daten in strukturierter Abfragesprache (SQL), ohne dass diese in einen anderen Speicher verschoben werden müssen.

Wenn Sie über unstrukturierte Datenquellen verfügen, ruft die HAQM-Bedrock-Wissensdatenbank automatisch Daten aus Quellen wie HAQM Simple Storage Service (HAQM S3), Confluence (Vorschau), Salesforce (Vorschau), SharePoint (Vorschau) oder Web Crawler (Vorschau) ab. Darüber hinaus erhalten Sie auch die programmatische Datenerfassung, mit der Kunden Streaming-Daten oder Daten aus nicht unterstützten Quellen erfassen können. Sobald die Inhalte erfasst sind, werden sie von HAQM Bedrock Knowledge Bases in Textblöcke unterteilt, vom Text in Einbettungen umgewandelt und in Ihrer Vektordatenbank gespeichert. Sie können aus mehreren unterstützten Vektorspeichern auswählen, darunter HAQM Aurora, HAQM Opensearch Serverless, HAQM Neptune Analytics, MongoDB, Pinecone und Redis Enterprise Cloud. Sie können sich auch mit einem HAQM Kendra-Hybrid-Suchindex für die verwaltete Abfrage verbinden

Mit HAQM Bedrock Wissensdatenbanken können Sie auch eine Verbindung zu Ihren strukturierten Datenspeichern herstellen, um fundierte Antworten zu generieren. Dies kann besonders nützlich sein, wenn Sie über Quellmaterial wie Transaktionsdetails verfügen, die in Data Warehouses und Data Lakes gespeichert sind. HAQM Bedrock Wissensdatenbanken verwenden Natural Language to SQL, um Abfragen in SQL-Befehle umzuwandeln und die Befehle auszuführen, um die Daten abzurufen, ohne dass sie aus Ihrer Quelldatenquelle verschoben werden müssen.

Mit HAQM Bedrock-Wissensdatenbanken als vollständig verwaltete RAG-Lösung haben Sie die Flexibilität, die Abrufgenauigkeit anzupassen und zu verbessern. Für unstrukturierte Datenquellen, die multimodale Daten wie Bilder und visuell reichhaltige Dokumente mit komplexen Layouts (etwa Dokumente mit Tabellen, Abbildungen, Diagrammen und Schaubildern) enthalten, können Sie Bedrock-Wissensdatenbanken so konfigurieren, dass sie diese analysieren und daraus aussagekräftige Insights extrahieren. Als Parser können Sie Bedrock Data Automation oder Foundation-Modelle wählen. Dies ermöglicht die nahtlose Verarbeitung komplexer multimodaler Daten, sodass Sie hochpräzise GenAI-Anwendungen erstellen können.

Die HAQM-Bedrock-Wissensdatenbank bietet eine Vielzahl erweiterter Datenaufteilungsoptionen, darunter semantisches, hierarchisches Chunking und Chunking mit fester Größe. Für vollständige Kontrolle können Sie auch ihren eigenen Chunking-Code als Lambda-Funktion schreiben und sogar fertige Komponenten aus Frameworks wie LangChain und LlamaIndex verwenden. Wenn Sie HAQM Neptune Analytics als Vektorspeicher auswählen, erstellt HAQM Bedrock Wissensdatenbanken automatisch Einbettungen und Diagramme, die verwandte Inhalte über Ihre Datenquellen hinweg verknüpfen. Bedrock Knowledge Bases nutzt diese Inhaltsbeziehungen mit GraphRAG, um die Genauigkeit der Abfrage zu verbessern und umfassendere, relevantere und erklärbare Antworten für die Benutzer zu ermöglichen.

Mit der Retrieve API können Sie relevante Ergebnisse für eine Benutzerabfrage aus Wissensdatenbanken abrufen, einschließlich visueller Elemente wie Bilder, Diagramme, Grafiken und Tabellen oder strukturierter Daten aus Datenbanken, falls zutreffend. 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 HAQM-Bedrock-Wissensdatenbanken auch zu HAQM Bedrock Agents hinzufügen, um Kundendienstmitarbeitern kontextbezogene Informationen zur Verfügung zu stellen. Sie können auch Filter bereitstellen oder FM verwenden, um implizite Filter zu generieren, um die zurückgegebenen Ergebnisse auf die relevanten Inhalte zu beschränken. HAQM Bedrock Knowledge Bases bieten Reranker-Modelle, um die Relevanz der abgerufenen Dokumentblöcke zu verbessern.

Alle aus den Wissensdatenbanken von HAQM Bedrock abgerufenen Informationen werden mit Zitaten (die auch visuelle Elemente enthalten) versehen, um die Transparenz zu verbessern und Halluzinationen zu minimieren.