Bases de conhecimento do Amazon Bedrock

Para equipar os modelos de base (FMs) com informações atualizadas e exclusivas, as organizações usam a geração aumentada de recuperação (RAG), uma técnica que busca dados de fontes de dados da empresa e enriquece a solicitação para fornecer respostas mais relevantes e precisas. O Amazon Bedrock Knowledge Bases é um recurso totalmente gerenciado que ajuda você a implementar todo o fluxo de trabalho RAG, da ingestão à recuperação e ao aumento imediato, sem precisar criar integrações personalizadas com fontes de dados e gerenciar fluxos de dados. Como alternativa, você pode fazer perguntas e resumir dados de um único documento sem configurar um banco de dados de vetores. Você também pode ter um gerenciamento de contexto de sessão integrado, para que sua aplicação possa oferecer suporte para conversas em vários turnos facilmente.

Depois que você aponta para a localização dos seus dados proprietários, o Amazon Bedrock Knowledge Bases busca automaticamente os documentos. Você pode ingerir conteúdo da web e de repositórios como o Amazon Simple Storage Service (Amazon S3), o Confluence (versão prévia), o Salesforce (versão prévia) e o SharePoint (versão prévia). Depois que o conteúdo é ingerido, o Amazon Bedrock Knowledge Bases o divide em blocos de texto, converte o texto em incorporações e armazena as incorporações em seu banco de dados vetoriais.
O Amazon Bedrock Knowledge Bases também gerencia as complexidades do fluxo de trabalho, como comparação de conteúdo, tratamento de falhas, controle de produtividade, criptografia e muito mais. Se você não tiver um banco de dados de vetores existente, o Amazon Bedrock criará um armazenamento vetorial do Amazon OpenSearch Sem Servidor para você. Como alternativa, você pode especificar um armazenamento de vetores existente em um dos bancos de dados compatíveis, incluindo o Amazon OpenSearch Sem Servidor, o Pinecone, o Redis Enterprise Cloud, o Amazon Aurora e o MongoDB.

Agora você pode ajustar a recuperação e a ingestão para obter maior precisão em todos os casos de uso. Aproveite as opções avançadas de análise para entender dados não estruturados (por exemplo, PDFs, imagens digitalizadas) com conteúdo complexo (por exemplo, tabelas). Usando opções avançadas de fragmentação de dados, como fragmentação personalizada, você pode escrever seu próprio código de fragmentação como uma função do Lambda e até mesmo usar componentes prontos para uso de frameworks como LangChain e LlamaIndex. Se preferir, você também pode usar uma de nossas estratégias integradas de fragmentação, incluindo nosso padrão, tamanho fixo, sem fragmentação, fragmentação hierárquica ou fragmentação semântica. No momento da recuperação, use a reformulação da consulta para melhorar a capacidade do sistema de entender consultas complexas.

Você pode usar a API Retrieve para recuperar resultados relevantes para uma consulta de usuário de bases de conhecimento. A API RetrieveAndGenerate vai um passo além ao usar diretamente os resultados recuperados para aumentar o prompt do FM e retornar a resposta. Você também pode adicionar Bases de conhecimento do Amazon Bedrock a Agentes do Amazon Bedrock para fornecer informações contextuais a agentes.

Todas as informações recuperadas do Amazon Bedrock Knowledge Bases são fornecidas com citações para melhorar a transparência e minimizar as alucinações.