Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Verwendung von agentischer KI mit DynamoDB

Amazon DynamoDB ist eine serverlose, vollständig verwaltete, verteilte NoSQL-Datenbank mit einer Leistung im einstelligen Millisekundenbereich in jeder Größenordnung. DynamoDB ist für Workloads mit hohem Durchsatz optimiert, wobei die Funktionen durch die Integration generativer KI-Modelle erweitert werden können. Mithilfe generativer KI-Modelle können Sie in Echtzeit mit Daten arbeiten, die in DynamoDB-Tabellen gespeichert sind, und Anwendungen erstellen, die kontextsensitiv und hochgradig personalisiert sind. Sie können auch die Erfahrung der Endbenutzer verbessern, indem Sie Ihre Geschäfts-, Benutzer- und Anwendungsdaten optimal nutzen, um Ihre generativen KI-Lösungen individuell anzupassen.

Weitere Informationen zur KI der Generation und zu den Lösungen, die für die Entwicklung von KI-Anwendungen der Generation AWS bereitgestellt werden, finden Sie unter Transformieren Sie Ihr Unternehmen mit generativer KI.

DynamoDB bietet auch eine native Vektorsuche mithilfe von Vektorindizes, sodass Sie Vektoreinbettungen zusammen mit Ihren Betriebsdaten speichern und Ähnlichkeitssuchen mit der SearchVectors API ausführen können, ohne dass eine separate Vektordatenbank erforderlich ist. Weitere Informationen finden Sie unter Verwenden von Vektorindizes in DynamoDB.

Anwendungsfälle für die Nutzung generativer KI in DynamoDB

DynamoDB kommt häufig in KI-gestützten Konversationsanwendungen wie Chatbots und Call-Centern zum Einsatz, die auf einem Basismodell (FM) basieren. Sie können über Amazon Bedrock, Amazon AI oder andere Modellanbieter auf FMs zugreifen. SageMaker In solchen wird DynamoDB häufig eingesetzt, um die Personalisierung zu erhöhen und die Benutzererfahrung anhand von drei Datenmustern zu verbessern: Anwendungsdaten, Geschäftsdaten und Benutzerdaten. Im Folgenden einige Beispiele für diese Datenmuster:

Beispielsweise kann eine Versicherungsgesellschaft mithilfe von DynamoDB einen Chatbot erstellen, der ihrem Retrieval-Augmented Generation (RAG) -basierten Gen-KI-Modell den Zugriff auf Daten nahezu in Echtzeit ermöglicht. Beispiele für solche Daten sind Hypothekenzinsen in Echtzeit, Produktpreise, compliant/standard Vertragstexte, Webverlauf der Nutzer und Nutzerpräferenzen. Durch die Kombination von DynamoDB mit RAG werden detaillierte und aktuelle Informationen zu Versicherungsprodukten und Benutzerdaten hinzugefügt. Dadurch werden die Eingabeaufforderungen und Antworten erweitert, sodass Endbenutzer ein genaues, personalisiertes Erlebnis nahezu in Echtzeit erhalten.

In ähnlicher Weise verwenden Kunden aus der Finanzdienstleistungsbranche DynamoDB, Amazon Bedrock-Wissensdatenbanken und Amazon Bedrock-Agenten, um KI-Anwendungen der nächsten Generation zu entwickeln RAG-based . Solche Anwendungen können Open-Source-Gewinnberichte und -Anrufprotokolle verwenden. Sie können auch die benutzerspezifische Portfolio- und Transaktionshistorie verwenden, um auf Abruf eine Zusammenfassung des Portfolios einschließlich eines Ausblicks für die Zukunft zu erstellen.

Vektorsuche nach RAG und Agentenspeicher

Generative KI-Anwendungen ermitteln den Kontext anhand der Bedeutung: Eine RAG-Anwendung findet die Dokumente, die für eine Aufforderung am relevantesten sind, und ein KI-Agent erinnert sich an Erinnerungen, die der aktuellen Konversation ähneln. Vektorindizes bieten diese Funktion nativ in DynamoDB. Sie speichern Vektoreinbettungen als Attribute für Ihre Tabellenelemente, und die SearchVectors API gibt die Elemente zurück, die einem Abfragevektor am ähnlichsten sind, sortiert nach Ähnlichkeitswert. Die Daten, die eine Anwendung schreibt, sind die Daten, die sie durchsucht, sodass keine separate Vektordatenbank bereitgestellt und keine Replikationspipeline verwaltet werden muss.

Sie können auch einen Partitionsschlüssel im Suchschema eines Vektorindexes definieren. Jede Ähnlichkeitssuche wird dann auf einen einzelnen Partitionsschlüsselwert beschränkt, z. B. eine Mandanten-ID, Benutzer-ID oder Agentensitzungs-ID. Dadurch eignen sich Vektorindizes hervorragend für RAG mit mehreren Mandanten und Agentenspeicher pro Benutzer.

Informationen zu den ersten Schritten mit Vektorindizes finden Sie in den folgenden Themen:

Generative KI-Blogs für DynamoDB

Die folgenden Artikel enthalten detaillierte Anwendungsfälle, bewährte Methoden und schrittweise Anleitungen, die Ihnen helfen, die Funktionen von DynamoDB bei der Entwicklung anspruchsvoller Anwendungen zu nutzen. AI-powered