So erstellen Sie eine Wissensdatenbank, indem Sie in Wissensdatenbanken für Amazon Bedrock eine Verbindung zu einer Datenquelle herstellen

Wenn Sie eine Wissensdatenbank erstellen, indem Sie eine Verbindung zu einer Datenquelle herstellen, richten Sie Folgendes ein oder geben Sie Folgendes an:

Allgemeine Informationen, die die Wissensdatenbank definieren und identifizieren
Die Servicerolle mit Berechtigungen für die Wissensdatenbank.
Konfigurationen für die Wissensdatenbank, einschließlich des Einbettungsmodells, das bei der Konvertierung von Daten aus der Datenquelle verwendet werden soll, Speicherkonfigurationen für den Service, in dem die Einbettungen gespeichert werden sollen, und optional eines S3-Speicherorts zum Speichern multimodaler Daten.

Anmerkung

Sie können keine Wissensdatenbank mit einem Root-Benutzer erstellen. Melden Sie sich mit einem IAM-Benutzer an, bevor Sie mit diesen Schritten beginnen.

Erweitern Sie den Abschnitt, der Ihrem Anwendungsfall entspricht:

So richten Sie eine Wissensdatenbank ein

Melden Sie sich bei der AWS-Managementkonsole mit einer IAM-Identität an, die berechtigt ist, die Amazon Bedrock-Konsole zu verwenden. Öffnen Sie dann die Amazon Bedrock-Konsole unter https://console.aws.amazon.com/bedrock.
Wählen Sie im linken Navigationsbereich Wissensdatenbank aus.
Klicken Sie im Abschnitt Wissensdatenbanken auf die Schaltfläche „Erstellen“ und legen Sie fest, dass eine Wissensdatenbank mit einem Vektorspeicher erstellt werden soll.
(Optional) Ändern Sie den Standardnamen und geben Sie eine Beschreibung für Ihre Wissensdatenbank ein.
Wählen Sie eine AWS Identity and Access Management (IAM-) Rolle, die Amazon Bedrock die Erlaubnis erteilt, auf andere erforderliche AWS Dienste zuzugreifen. Sie können Amazon Bedrock die Servicerolle auch erstellen lassen oder Ihre eigene benutzerdefinierte Rolle verwenden, die Sie für Neptune Analytics erstellt haben.
Wählen Sie eine Datenquelle aus, mit der Sie Ihre Wissensdatenbank verbinden möchten.
(Optional) Fügen Sie Ihrer Wissensdatenbank Tags hinzu. Weitere Informationen finden Sie unter Markieren von Amazon-Bedrock-Ressourcen.
(Optional) Konfigurieren Sie Services, für die Aktivitätsprotokolle für Ihre Wissensdatenbank bereitgestellt werden sollen.
Gehen Sie zum nächsten Abschnitt und folgen Sie den Schritten unter Verbinden einer Datenquelle mit der Wissensdatenbank, um eine Datenquelle zu konfigurieren.
Gehen Sie im Abschnitt Einbettungsmodell wie folgt vor:
1. Wählen Sie ein Einbettungsmodell aus, mit dem Ihre Daten in Vektoreinbettungen umgewandelt werden sollen. Wählen Sie für multimodale Daten (Bilder, Audio und Video) ein multimodales Einbettungsmodell wie Amazon Titan Multimodal Embeddings G1 oder Cohere Embed v3 aus.
  
  Anmerkung
  Wenn Sie Amazon Titan Multimodal Embeddings G1 verwenden, müssen Sie einen S3-Inhalts-Bucket bereitstellen und können nur den Standardparser verwenden. Dieses Modell ist für Anwendungsfälle der Bildsuche optimiert. Umfassende Hinweise zur Wahl zwischen multimodalen Ansätzen finden Sie unterAufbau einer Wissensdatenbank für multimodale Inhalte.
2. (Optional) Erweitern Sie den Abschnitt Zusätzliche Konfigurationen, um die folgenden Konfigurationsoptionen anzuzeigen (nicht alle Modelle unterstützen alle Konfigurationen):
  - Einbettungstyp – Gibt an, ob die Daten in Gleitkomma-Vektoreinbettungen (float32) (genauer, aber teurer) oder binäre Vektoreinbettungen (weniger präzise, aber kostengünstiger) konvertiert werden sollen. Informationen darüber, welche Einbettungsmodelle binäre Vektoren unterstützen, finden Sie unter Unterstützte Einbettungsmodelle.
  - Vektordimensionen – Höhere Werte verbessern die Genauigkeit, erhöhen jedoch die Kosten und die Latenz.
Gehen Sie im Bereich Vektordatenbank wie folgt vor:
1. Wählen Sie einen Vektorspeicher für die Vektoreinbettungen aus, die für die Abfrage verwendet werden sollen. Ihnen stehen folgende Optionen zur Verfügung:
  - Einen neuen Vektorspeicher schnell erstellen – Wählen Sie einen der verfügbaren Vektorspeicher aus, den Amazon Bedrock erstellen soll. Sie können optional auch die AWS KMS Schlüsselverschlüsselung für Ihren Vector Store konfigurieren.
    
    Anmerkung
    Wenn Sie diese Option wählen, übernimmt Amazon Bedrock automatisch die Platzierung der Metadaten für jeden Vektorspeicher.
    Amazon OpenSearch Serverless — Amazon Bedrock Knowledge Bases erstellt eine Amazon OpenSearch Serverless-Vektorsuchsammlung und einen Index und konfiguriert sie mit den erforderlichen Feldern für Sie.
    
    Amazon Aurora PostgreSQL Serverless – Amazon Bedrock richtet einen Vektorspeicher für Amazon Aurora PostgreSQL Serverless ein. Dieser Prozess nimmt unstrukturierte Textdaten aus einem Amazon-S3-Bucket, wandelt sie in Textblöcke und Vektoren um, und speichert sie dann in einer PostgreSQL-Datenbank. Weitere Informationen finden Sie unter Schnellerstellen einer Aurora-PostgreSQL-Wissensdatenbank für Amazon Bedrock.
    
    Amazon Neptune Analytics – Amazon Bedrock verwendet Retrieval Augmented Generation (RAG)-Techniken in Kombination mit Diagrammen, um generative KI-Anwendungen zu verbessern, sodass Endbenutzer genauere und umfassendere Antworten erhalten können.
    
    Amazon S3 Vectors – Wissensdatenbanken für Amazon Bedrock erstellt einen S3-Vektor-Bucket und einen Vektorindex, in dem die aus Ihren Datenquellen generierten Einbettungen gespeichert werden.
    
    Sie können eine Wissensdatenbank für Amazon S3 Vectors in allen AWS-Region Umgebungen erstellen, in denen sowohl Amazon Bedrock als auch Amazon S3 Vectors verfügbar sind. Weitere Informationen finden Sie unter Amazon S3 Vectors im Benutzerhandbuch zu Amazon S3.
    
    Anmerkung
    Wenn Sie Amazon S3 Vectors mit Amazon Bedrock Knowledge Bases verwenden, können Sie bis zu 1 KB an benutzerdefinierten Metadaten (einschließlich filterbarer und nicht filterbarer Metadaten) und 35 Metadatenschlüssel pro Vektor anhängen. Ausführliche Informationen zu Einschränkungen von Metadaten finden Sie unter. Unterstützung von Metadaten Voraussetzungen für die Verwendung eines Vektorspeichers, den Sie für eine Wissensdatenbank erstellt haben
  - Auswählen eines von Ihnen erstellten Vektorspeichers – Wählen Sie einen unterstützten Vektorspeicher aus und identifizieren Sie die Vektorfeld- und Metadatenfeldnamen im Vektorindex. Weitere Informationen finden Sie unter Voraussetzungen für die Verwendung eines Vektorspeichers, den Sie für eine Wissensdatenbank erstellt haben.
    
    Anmerkung
    Wenn es sich bei Ihrer Datenquelle um eine Confluence-, Microsoft SharePoint - oder Salesforce-Instance handelt, ist Amazon OpenSearch Serverless der einzige unterstützte Vector Store-Service.
2. (Optional) Erweitern Sie den Abschnitt Zusätzliche Konfigurationen und modifizieren Sie alle relevanten Konfigurationen.
Wenn Ihre Datenquelle Bilder enthält, geben Sie eine Amazon-S3-URI an, in der die Bilder gespeichert werden sollen, die der Parser aus den Daten im multimodalen Speicherziel extrahiert. Die Bilder können während der Abfrage zurückgegeben werden. Sie können optional auch einen vom Kunden verwalteten Schlüssel anstelle des Von AWS verwalteter Schlüssel Standardschlüssels für die Verschlüsselung Ihrer Daten wählen.

Anmerkung
Multimodale Daten werden nur von Amazon S3 und benutzerdefinierten Datenquellen unterstützt.
Anmerkung
Bei der Verwendung multimodaler Einbettungsmodelle:
- Amazon Titan Multimodal Embeddings G1 erfordert einen S3-Inhalts-Bucket und funktioniert am besten mit Nur-Bild-Datensätzen, die den Standardparser verwenden
- Cohere Embed v3 unterstützt gemischte Text- und Bilddatensätze und kann mit jeder Parser-Konfiguration verwendet werden
- Vermeiden Sie bei Anwendungsfällen für die Bildsuche die Verwendung von Bedrock Data Automation (BDA) oder Foundation-Model-Parsern mit Titan G1 aufgrund von Token-Einschränkungen
- Das multimodale Speicherziel erstellt Dateikopien für Abrufzwecke, für die zusätzliche Speichergebühren anfallen können
Wählen Sie Weiter und überprüfen Sie die Details Ihrer Wissensdatenbank. Sie können jeden beliebigen Abschnitt bearbeiten, bevor Sie mit der Erstellung Ihrer Wissensdatenbank fortfahren.

Anmerkung
Die Zeit, die zum Erstellen der Wissensdatenbank benötigt wird, hängt von Ihren spezifischen Konfigurationen ab. Wenn die Erstellung der Wissensdatenbank abgeschlossen ist, wechselt der Status der Wissensdatenbank in den Status „Bereit“ oder „Verfügbar“.
Sobald Ihre Wissensdatenbank bereit und verfügbar ist, synchronisieren Sie Ihre Datenquelle zum ersten Mal und anschließend wann immer Sie Ihre Inhalte auf dem neuesten Stand bringen möchten. Wählen Sie Ihre Wissensdatenbank in der Konsole aus und klicken Sie im Bereich Datenquellenübersicht auf Synchronisieren.

Um eine Wissensdatenbank zu erstellen, senden Sie eine CreateKnowledgeBase-Anfrage mit einem Build-Time-Endpunkt für Agenten für Amazon Bedrock.

Anmerkung

Wenn Sie es vorziehen, dass Amazon Bedrock einen Vektorspeicher für Sie erstellt und verwaltet, verwenden Sie stattdessen die Konsole. Für weitere Informationen erweitern Sie den Abschnitt Verwenden der Konsole in vorliegendem Thema.

Die folgenden Felder sind erforderlich:

Feld	Grundlegende Beschreibung
Name	Ein Name für die Wissensdatenbank
roleArn	Der ARN einer Servicerolle in Wissensdatenbanken für Amazon Bedrock.
knowledgeBaseConfiguration	Enthält Konfigurationen für die Wissensdatenbank. Siehe unten.
storageConfiguration	(Nur erforderlich, wenn Sie eine Verbindung zu einer unstrukturierten Datenquelle herstellen).Enthält Konfigurationen für den Datenquellenservice, den Sie auswählen.

Die folgenden Felder sind optional:

Feld	Anwendungsfall
description	Eine Beschreibung für die Wissensdatenbank.
clientToken	Zur Sicherstellung, dass die API-Anfrage nur einmal durchgeführt wird. Weitere Informationen finden Sie unter Sicherstellen von Idempotenz.
tags	Hiermit ordnen Sie dem Flow Tags zu. Weitere Informationen finden Sie unter Markieren von Amazon-Bedrock-Ressourcen.

Geben Sie in dem knowledgeBaseConfiguration Feld, das einem Objekt zugeordnet ist, ein KnowledgeBaseConfigurationObjekt VECTOR an und schließen Sie es ein. type VectorKnowledgeBaseConfiguration Schließen Sie im Objekt die folgenden Felder ein:

embeddingModelArn – Den ARN des zu verwendenden Einbettungsmodells.
embeddingModelConfiguration – Konfigurationen für das Einbettungsmodell. Informationen zu den möglichen Werten, die für jedes unterstützte Modell angegeben werden können, finden Sie unter Unterstützte Modelle und Regionen für Amazon-Bedrock-Wissensdatenbanken.
(Wenn Sie beabsichtigen, multimodale Daten, zu denen Bilder, Abbildungen, Diagramme oder Tabellen gehören, in Ihre Wissensdatenbank aufzunehmen) supplementalDataStorageConfiguration — Ordnet einem SupplementalDataStorageLocationObjekt zu, in dem Sie den S3-Speicherort angeben, an dem die extrahierten Daten gespeichert werden sollen. Weitere Informationen finden Sie unter Parsing-Optionen für Ihre Datenquelle.

Geben Sie in dem storageConfiguration Feld, das einem StorageConfigurationObjekt zugeordnet ist, den Vektorspeicher an, mit dem Sie eine Verbindung herstellen möchten, und fügen Sie das Feld hinzu, das diesem Vektorspeicher entspricht. type Einzelheiten zu den Informationen, die Sie angeben müssen, finden Sie unter StorageConfigurationden einzelnen Vektorspeicher-Konfigurationstypen.

Im Folgenden sehen Sie eine Beispielanforderung zum Erstellen einer Wissensdatenbank, die mit einer Amazon OpenSearch Serverless-Sammlung verbunden ist. Die Daten aus verbundenen Datenquellen werden mit Amazon in binäre Vektoreinbettungen umgewandelt, Titan Text Embeddings V2 und die vom Parser extrahierten multimodalen Daten werden so eingerichtet, dass sie in einem Bucket namens gespeichert werden. MyBucket


PUT /knowledgebases/ HTTP/1.1
Content-type: application/json

{
   "name": "MyKB",
   "description": "My knowledge base",
   "roleArn": "arn:aws:iam::111122223333:role/service-role/AmazonBedrockExecutionRoleForKnowledgeBase_123",
   "knowledgeBaseConfiguration": {
      "type": "VECTOR",
      "vectorKnowledgeBaseConfiguration": { 
         "embeddingModelArn": "arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-embed-text-v2:0",
         "embeddingModelConfiguration": { 
            "bedrockEmbeddingModelConfiguration": { 
               "dimensions": 1024,
               "embeddingDataType": "BINARY"
            }
         },
         "supplementalDataStorageConfiguration": { 
            "storageLocations": [ 
               { 
                  "s3Location": { 
                     "uri": "arn:aws:s3:::MyBucket"
                  },
                  "type": "S3"
               }
            ]
         }
      }
   },
   "storageConfiguration": { 
      "opensearchServerlessConfiguration": { 
         "collectionArn": "arn:aws:aoss:us-east-1:111122223333:collection/abcdefghij1234567890",
         "fieldMapping": { 
            "metadataField": "metadata",
            "textField": "text",
            "vectorField": "vector"
         },
         "vectorIndexName": "MyVectorIndex"
      }
   }
}

Themen

Warnung JavaScript ist in Ihrem Browser nicht verfügbar oder deaktiviert.

Zur Nutzung der AWS-Dokumentation muss JavaScript aktiviert sein. Weitere Informationen finden auf den Hilfe-Seiten Ihres Browsers.

Dokumentkonventionen

So konfigurieren Sie OpenSearch-Berechtigungen mit differenzierter Zugriffskontrolle

Verbinden einer Datenquelle