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 mit integriertem Sitzungskontextmanagement und Quellenattributierung, 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. 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 Amazon Bedrock Knowledge Bases eine integrierte verwaltete natürliche Sprache für die strukturierte Abfragesprache, um einen Abfragebefehl zum Abrufen der Daten zu generieren, ohne sie in einen anderen Speicher verschieben zu müssen.

Wenn Sie über unstrukturierte Datenquellen verfügen, ruft die Amazon-Bedrock-Wissensdatenbank automatisch Daten aus Quellen wie Amazon Simple Storage Service (Amazon 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 Amazon Bedrock Knowledge Bases in Textblöcke unterteilt, vom Text in Einbettungen umgewandelt und in Ihrer Vektordatenbank gespeichert. Sie können aus mehreren unterstützten Vektorspeichern auswählen, darunter Amazon Aurora, Amazon Opensearch Serverless, Amazon Neptune Analytics, MongoDB, Pinecone und Redis Enterprise Cloud. Sie können sich auch mit einem Amazon Kendra-Hybrid-Suchindex für die verwaltete Abfrage verbinden

Mit Amazon 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. Amazon 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 Amazon 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 Amazon-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 Amazon Neptune Analytics als Vektorspeicher auswählen, erstellt Amazon 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 Amazon-Bedrock-Wissensdatenbanken auch zu Amazon 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. Amazon Bedrock Knowledge Bases bieten Reranker-Modelle, um die Relevanz der abgerufenen Dokumentblöcke zu verbessern.

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