Bases de conocimiento de HAQM Bedrock

Para dotar a los modelos fundacionales (FM) de información actualizada y patentada, las organizaciones utilizan la generación aumentada de recuperación (RAG), una técnica que obtiene datos de los orígenes de datos de la empresa y que enriquece la solicitud para ofrecer respuestas más relevantes y precisas. Las bases de conocimiento de HAQM Bedrock son una capacidad totalmente administrada, que incluyen administración de contextos de sesión y atribución de orígenes integrados. Esto ayuda a implementar todo el flujo de trabajo de la RAG, desde la ingesta hasta la recuperación y el aumento de peticiones, sin tener que crear integraciones personalizadas con los orígenes de datos y administrar los flujos de datos. Como alternativa, puede hacer preguntas y resumir los datos de un único documento, sin necesidad de configurar una base de datos vectorial. Si los datos contienen orígenes estructurados, las bases de conocimientos de HAQM Bedrock proporcionan una solución integrada de lenguaje natural administrado a lenguaje de consulta estructurado para generar un comando de consulta que permita recuperar los datos, sin necesidad de trasladarlos a otro almacén.

Si tiene orígenes de datos no estructurados, las bases de conocimiento de HAQM Bedrock obtienen automáticamente datos de orígenes como HAQM Simple Storage Service (HAQM S3), Confluence (versión preliminar), Salesforce (versión preliminar), SharePoint (versión preliminar) o Web Crawler (versión preliminar). Además, también recibe la ingesta programática de documentos para permitir a los clientes ingerir datos de streaming o datos de orígenes no compatibles. Una vez que se incorpora el contenido, las bases de conocimiento de HAQM Bedrock lo dividen en bloques de texto, convierten este texto en incrustaciones y almacenan estas incrustaciones en la base de datos vectorial. Puede elegir entre varios almacenes vectoriales compatibles, como HAQM Aurora, HAQM Opensearch sin servidor, HAQM Neptune Analytics MongoDB, Pinecone y Redis Enterprise Cloud. También puede optar por conectarse a un índice de búsqueda híbrido de HAQM Kendra para una recuperación administrada.

Con las bases de conocimiento de HAQM Bedrock, también puede conectarse a sus almacenes de datos estructurados para generar respuestas fundamentadas. Esto puede resultar especialmente útil cuando tiene material de origen, como detalles transaccionales, que se almacenan en almacenes de datos y lagos de datos. Las bases de conocimiento de HAQM Bedrock utilizan el lenguaje natural para convertir las consultas en comandos de SQL y ejecutar los comandos para recuperar los datos, sin necesidad de moverlos del origen de datos.

Con las bases de conocimiento de HAQM Bedrock como su solución RAG totalmente administrada, tiene la flexibilidad de personalizar y mejorar la precisión de la recuperación. Para los orígenes de datos no estructurados que contienen datos multimodales, como imágenes y documentos visualmente ricos con diseños complejos (por ejemplo, documentos que contienen tablas, figuras, gráficos y diagramas), puede configurar las bases de conocimiento de Bedrock para procesar, analizar y extraer información significativa. Puede elegir Bedrock Data Automation o los modelos fundacionales como analizador. Esto permite un procesamiento sin interrupciones de datos multimodales complejos, lo que le permite crear aplicaciones de IA generativa de alta precisión.

Las bases de conocimiento de HAQM Bedrock ofrecen una variedad de opciones avanzadas de fragmentación de datos, incluida la fragmentación semántica, jerárquica y de tamaño fijo. Para tener un control total, también puede escribir su propio código de fragmentación como una función de Lambda e incluso usar componentes estándar de marcos como LangChain y LlamaIndex. Si elige HAQM Neptune Analytics como almacén vectorial, las bases de conocimiento de HAQM Bedrock crean automáticamente incrustaciones y gráficos que vinculan el contenido relacionado en sus orígenes de datos. Las bases de conocimiento de Bedrock aprovechan estas relaciones de contenido con GraphRAG para mejorar la precisión de la recuperación, lo que permite respuestas más completas, pertinentes e interpretables para los usuarios finales.

Con la API Retrieve, puede obtener resultados relevantes para una consulta de usuario de las bases de conocimiento, incluidos elementos visuales como imágenes, diagramas, gráficos y tablas, o datos estructurados de bases de datos, cuando corresponda. La nueva API RetrieveAndGenerate va un paso más allá debido a que utiliza directamente los resultados recuperados para aumentar la solicitud del FM y devolver la respuesta. También puede agregar bases de conocimientos a los agentes de HAQM Bedrock para que los agentes cuenten con información contextual. También puede optar por proporcionar filtros o usar FM para generar filtros implícitos a fin de restringir los resultados devueltos solo al contenido relevante. Las bases de conocimiento de HAQM Bedrock ofrecen modelos de reclasificación para mejorar la relevancia de los fragmentos de documentos recuperados.

Toda la información recuperada de las bases de conocimiento de HAQM Bedrock incluye citas (que también contienen visuales) para mejorar la transparencia y minimizar las alucinaciones.