Voraussetzungen für die Verwendung eines Vektorspeichers, den Sie für eine Wissensdatenbank erstellt haben

1. Um Berechtigungen zu konfigurieren und eine Vektorsuchsammlung in Amazon OpenSearch Serverless in der zu erstellen AWS Management Console, folgen Sie den Schritten 1 und 2 unter Arbeiten mit Vektorsuchsammlungen im Amazon OpenSearch Service Developer Guide. Beachten Sie bei der Einrichtung Ihrer Sammlung die folgenden Überlegungen:

   1. Geben Sie der Sammlung einen Namen und eine Beschreibung Ihrer Wahl.

   2. Um Ihre Sammlung privat zu machen, wählen Sie im Bereich Sicherheit die Option Standard erstellen aus. Wählen Sie dann im Abschnitt Netzwerkzugriffseinstellungen VPC als Zugriffstyp und wählen Sie einen VPC-Endpunkt aus. Weitere Informationen zur Einrichtung eines VPC-Endpunkts für eine Amazon OpenSearch Serverless-Sammlung finden Sie unter Zugriff auf Amazon OpenSearch Serverless über einen Schnittstellenendpunkt (AWS PrivateLink) im Amazon OpenSearch Service Developer Guide.

2. Notieren Sie sich nach der Erstellung der Sammlung den Sammlungs-ARN für die Erstellung der Wissensdatenbank.

3. Wählen Sie im linken Navigationsbereich unter Serverlos die Option Sammlungen aus. Wählen Sie dann Ihre Vektorsuchsammlung aus.

4. Wählen Sie die Registerkarte Indizes aus. Wählen Sie dann Vektorindex erstellen.

5. Geben Sie im Abschnitt Details zum Vektorindex im Feld Vektorindexname einen Namen für Ihren Index ein.

6. Wählen Sie im Abschnitt Vektorfelder die Option Vektorfeld hinzufügen aus. Amazon Bedrock speichert die Vektoreinbettungen für Ihre Datenquelle in diesem Feld. Stellen Sie die folgenden Konfigurationen bereit:

   • Vektorfeldname — Geben Sie einen Namen für das Feld ein (z. B.embeddings).

   • Engine — Die für die Suche verwendete Vektor-Engine. Wählen Sie faiss aus.

   • Dimensionen – die Anzahl der Dimensionen im Vektor. Anhand der folgenden Tabelle können Sie bestimmen, wie viele Dimensionen der Vektor enthalten sollte:

     Modell	Dimensionen
     TitanG1 Einbettungen — Text	1 536
     TitanV2 Einbettungen - Text	1.024, 512 und 256
     CohereEmbedEnglisch	1,024
     CohereEmbedMehrsprachig	1,024

   • Entfernungsmetrik – die Metrik, die verwendet wird, um die Ähnlichkeit zwischen Vektoren zu messen. Wir empfehlen, Euklidisch für Gleitkomma-Vektor-Einbettungen zu verwenden.

7. Erweitern Sie den Bereich Metadatenverwaltung und fügen Sie zwei Felder hinzu, um den Vektorindex so zu konfigurieren, dass zusätzliche Metadaten gespeichert werden, die eine Wissensdatenbank mit Vektoren abrufen kann. In der folgenden Tabelle werden die Felder und die Werte beschrieben, die für jedes Feld angegeben werden müssen:

   Beschreibung des Feldes	Feld zuordnen	Datentyp	Filtrierbar
   Amazon Bedrock zerschneidet den Rohtext aus Ihren Daten und speichert die Teile in diesem Feld.	Name Ihrer Wahl (zum Beispiel) text	String	True
   Amazon Bedrock speichert Metadaten zu Ihrer Wissensdatenbank in diesem Feld.	Name Ihrer Wahl (zum Beispielbedrock-metadata)	String	False

8. Notieren Sie sich die Namen, die Sie für den Vektorindexnamen, den Vektorfeldnamen und die Namen der Mapping-Felder für die Metadatenverwaltung ausgewählt haben, wenn Sie Ihre Wissensdatenbank erstellen. Wählen Sie die Option Erstellen aus.

1. Um einen Domain- und Vektorindex in OpenSearch Cluster in the zu erstellen AWS Management Console, folgen Sie den Schritten, die unter OpenSearch Service-Domains erstellen und verwalten im Amazon OpenSearch Service Developer Guide beschrieben sind.

   Beachten Sie bei der Einrichtung Ihrer Domain die folgenden Überlegungen:

   1. Geben Sie der Domain einen Namen Ihrer Wahl.

   2. Wir empfehlen Ihnen, die Option Einfach erstellen zu verwenden, um schnell mit der Erstellung Ihrer Domain zu beginnen.

      Anmerkung

      Mit dieser Option erhalten Sie eine Domain mit geringem Durchsatz. Wenn Sie größere Workloads haben, die einen höheren Durchsatz erfordern, wählen Sie die Option Standard Create. Sie können die Kapazität später nach Bedarf anpassen. Mit dieser Option können Sie mit der niedrigsten Kapazität beginnen, die dann später nach Bedarf geändert werden kann.

   3. Für Netzwerk müssen Sie Öffentlicher Zugriff wählen. OpenSearch Domänen, die sich hinter einer VPC befinden, werden von Ihrer Knowledge Base nicht unterstützt.

   4. Für Version: Wenn Sie binäre Vektoreinbettungen verwenden, benötigt Amazon Bedrock Knowledge Bases eine Engine-Version von 2.16 oder höher. Darüber hinaus ist eine Version von 2.13 oder höher erforderlich, um einen k-nn-Index zu erstellen. Weitere Informationen finden Sie unter K-NN Search im Amazon OpenSearch Service Developer Guide.

   5. Wir empfehlen, den Dual-Stack-Modus zu verwenden.

   6. Wir empfehlen Ihnen, die detaillierte Zugriffskontrolle zu aktivieren, um die Daten in Ihrer Domain zu schützen, und die Berechtigungen, die Ihrer Knowledge-Base-Servicerolle Zugriff auf die OpenSearch Domain und das Stellen von Anfragen gewähren, weiter zu kontrollieren.

   7. Behalten Sie für alle anderen Einstellungen die Standardwerte bei und wählen Sie Erstellen, um Ihre Domain zu erstellen.

2. Sobald die Domain erstellt wurde, klicken Sie darauf, um den Domain-ARN und den Domain-Endpunkt für die Erstellung der Wissensdatenbank zu notieren.

3. Nachdem Sie die Domain erstellt haben, können Sie einen Vektorindex erstellen, indem Sie die folgenden Befehle auf einem OpenSearch Dashboard ausführen oder curl-Befehle verwenden. Weitere Informationen finden Sie in der OpenSearch -Dokumentation.

   Wenn Sie den Befehl ausführen:

   • Geben Sie einen Namen für das Vektorfeld ein (z. B.embeddings).

   • Stellen Sie sicher, dass der für die Suche verwendete Vektor faiss ist. nmslib wird nicht unterstützt.

   • Die Anzahl der Dimensionen im Vektor finden Sie in der folgenden Tabelle, um zu bestimmen, wie viele Dimensionen der Vektor enthalten sollte:

     Anmerkung

     Das Modell Titan V2 Embeddings — Text unterstützt mehrere Dimensionen. Es kann auch 256 oder 512 sein.

     Modell	Dimensionen
     TitanG1-Einbettungen — Text	1 536
     TitanV2 Einbettungen - Text	1.024, 512 und 256
     CohereEmbedEnglisch	1,024
     CohereEmbedMehrsprachig	1,024

   • Sie können zwei Felder hinzufügen, um den Vektorindex so zu konfigurieren, dass zusätzliche Metadaten gespeichert werden, die eine Wissensdatenbank mit Vektoren abrufen kann. In der folgenden Tabelle werden die Felder und die Werte beschrieben, die für jedes Feld angegeben werden müssen.

     Beschreibung des Feldes	Feld zuordnen
     Amazon Bedrock zerschneidet den Rohtext aus Ihren Daten und speichert die Teile in diesem Feld.	Als Objekt angegeben, zum Beispiel. AMAZON_BEDROCK_TEXT_CHUNK
     Amazon Bedrock speichert Metadaten zu Ihrer Wissensdatenbank in diesem Feld.	Als Objekt angegeben, zum BeispielAMAZON_BEDROCK_METADATA.

   PUT /<index-name>
   {
       "settings": {
           "index": {
               "knn": true
           }
       },
       "mappings": {
           "properties": {
               "<vector-name>": {
                   "type": "knn_vector",
                   "dimension": <embedding-dimension>,
                   "data_type": "binary",          # Only needed for binary embeddings
                   "space_type": "l2" | "hamming", # Use l2 for float embeddings and hamming for binary embeddings
                   "method": {
                       "name": "hnsw",
                       "engine": "faiss",
                       "parameters": {
                           "ef_construction": 128,
                           "m": 24
                       }
                   }
               },
   
               "AMAZON_BEDROCK_METADATA": {
                   "type": "text",
                   "index": "false"
               },
               "AMAZON_BEDROCK_TEXT_CHUNK": {
                   "type": "text",
                   "index": "true"            
               }
           }
       }
   }

4. Notieren Sie sich den Domain-ARN und den Endpunkt sowie die Namen, die Sie für den Vektorindexnamen, den Vektorfeldnamen und die Namen der Zuordnungsfelder für die Metadatenverwaltung wählen, wenn Sie Ihre Wissensdatenbank erstellen.

1. Beachten Sie bei der Erstellung Ihres S3-Vektor-Buckets die folgenden Überlegungen.

   • Geben Sie einen eindeutigen Vector-Bucket-Namen an.

   • (Optional) Amazon S3 verschlüsselt die Daten automatisch mit der serverseitigen Standardverschlüsselung mit verwalteten Amazon S3 S3-Schlüsseln (SSE-S3). Sie können wählen, ob Sie stattdessen diese Standardverschlüsselung oder die serverseitige Verschlüsselung mit AWS Key Management Service-Schlüsseln (SSE-KMS) verwenden möchten.

     Anmerkung

     Der Verschlüsselungstyp kann nicht mehr geändert werden, sobald der Vektor-Bucket erstellt wurde.

     step-by-stepAnweisungen finden Sie unter Verschlüsselung mit AWS KMS-Schlüsseln.

2. Nachdem Sie den S3-Vektor-Bucket erstellt haben, notieren Sie sich den Amazon-Ressourcennamen (ARN) des Vektor-Buckets für die Erstellung der Wissensdatenbank.

3. Wählen Sie den Vektor-Bucket aus, den Sie erstellt haben, und erstellen Sie dann einen Vektorindex. Beachten Sie bei der Erstellung des Vektorindexes die folgenden Überlegungen.

   • Name des Vektorindexes — Geben Sie einen Namen für das Feld ein (z. B.embeddings).

   • Dimension — Die Anzahl der Dimensionen im Vektor. Die Dimensionen müssen ein Wert zwischen 1 und 4096 sein. Anhand der folgenden Tabelle können Sie anhand der von Ihnen ausgewählten Einbettungsmodell bestimmen, wie viele Dimensionen der Vektor enthalten sollte:

     Modell	Dimensionen
     TitanG1 Einbettungen — Text	1 536
     TitanV2 Einbettungen - Text	1.024, 512 und 256
     CohereEmbedEnglisch	1,024
     CohereEmbedMehrsprachig	1,024

   • Anmerkung

     Amazon S3 Vectors unterstützt nur Gleitkomma-Einbettungen. Binäre Einbettungen werden nicht unterstützt.

     Entfernungsmetrik – die Metrik, die verwendet wird, um die Ähnlichkeit zwischen Vektoren zu messen. Sie können Kosinus oder Euklidisch verwenden.

4. Erweitern Sie die zusätzlichen Einstellungen und geben Sie alle nicht filterbaren Metadaten in das Feld Nicht filterbare Metadaten ein.

   Anmerkung

   Wenn Sie davon ausgehen, dass Ihre Textblöcke den Metadatenraum von 2 KB überschreiten, empfehlen wir Ihnen, das Textfeld AMAZON_BEDROCK_TEXT als nicht filterbaren Metadatenschlüssel hinzuzufügen. Ihre Wissensdatenbank wird dieses Feld verwenden, um die Textblöcke zu speichern.

   Sie können bis zu 10 nicht filterbare Metadatenschlüssel konfigurieren. Wählen Sie Schlüssel hinzufügen und dann AMAZON_BEDROCK_TEXT Als Schlüssel hinzufügen.

5. Erstellen Sie den Vektorindex und notieren Sie sich den Amazon-Ressourcennamen (ARN) des Vektorindex, wenn Sie die Wissensdatenbank erstellen.

1. Erstellen Sie einen Amazon Aurora Aurora-Datenbank-Cluster, ein Schema und eine Tabelle, indem Sie die Schritte unter Aurora PostgreSQL als Wissensdatenbank verwenden befolgen. Wenn Sie die Tabelle erstellen, konfigurieren Sie sie mit den folgenden Spalten und Datentypen. Sie können anstelle der in der folgenden Tabelle aufgeführten Spaltennamen nach Ihren Wünschen verwenden. Notieren Sie sich die von Ihnen ausgewählten Spaltennamen, damit Sie sie bei der Einrichtung der Wissensdatenbank angeben können.

   Sie müssen diese Felder angeben, bevor Sie die Wissensdatenbank erstellen. Sie können nicht aktualisiert werden, sobald die Wissensdatenbank erstellt wurde.

   Wichtig

   Der Aurora-Cluster muss sich in demselben befinden AWS-Konto wie der, in dem die Wissensdatenbank für Amazon Bedrock erstellt wurde.

   Spaltenname	Datentyp	Entsprechendes Feld in der Einrichtung der Wissensdatenbank (Konsole)	Entsprechendes Feld in der Einrichtung der Wissensdatenbank (API)	Beschreibung
   id	UUID-Primärschlüssel	Primärschlüssel	primaryKeyField	Enthält eindeutige Bezeichner für jeden Datensatz.
   Einbettung	Vektor	Vektorfeld	vectorField	Enthält die Vektoreinbettungen der Datenquellen.
   Brocken	Text	Textfeld	textField	Enthält die Rohtextblöcke aus Ihren Datenquellen.
   Metadaten	JSON	Von Bedrock verwaltetes Metadatenfeld	metadataField	Enthält Metadaten, die für die Quellenzuweisung und die Datenerfassung und -abfrage erforderlich sind
   custom_metadata	JSONB	Benutzerdefiniertes Metadatenfeld	customMetadataField	Optionales Feld, das die Spalte angibt, in die Amazon Bedrock alle Informationen aller Metadatendateien aus Ihren Datenquellen schreibt.

2. Sie müssen einen Index für die Spalten, Vektor und Text für Ihre Text- und Einbettungsfelder erstellen. Wenn Sie das benutzerdefinierte Metadatenfeld verwenden, müssen Sie auch einen GIN-Index für diese Spalte erstellen. GIN-Indizes können verwendet werden, um effizient nach Schlüssel-Wert-Paaren in Jsonb-Dokumenten für die Metadatenfilterung zu suchen. Weitere Informationen finden Sie unter jsonb-Indizierung in der PostgreSQL-Dokumentation.

   Spaltenname	Index erstellen für	Erforderlich?
   Vektor	CREATE INDEX ON bedrock_integration.bedrock_kb USING hnsw (embedding vector_cosine_ops);	Ja
   text	CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (to_tsvector('simple', chunks));	Ja
   benutzerdefinierte Metadaten	CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (custom_metadata);	Nur wenn Sie die benutzerdefinierte Metadatenspalte erstellt haben.

3. (Optional) Wenn Sie Ihren Dateien Metadaten zum Filtern hinzugefügt haben, empfehlen wir Ihnen, den Spaltennamen im Feld für benutzerdefinierte Metadaten anzugeben, um all Ihre Metadaten in einer einzigen Spalte zu speichern. Während der Datenaufnahme wird diese Spalte mit allen Informationen in den Metadatendateien aus Ihren Datenquellen gefüllt. Wenn Sie dieses Feld angeben möchten, müssen Sie einen GIN-Index für diese Spalte erstellen.

   Anmerkung

   Wenn Sie häufig Bereichsfilter für numerische Metadaten verwenden, erstellen Sie zur Optimierung der Leistung einen Index für den jeweiligen Schlüssel. Wenn Sie beispielsweise Filter wie verwenden"lessThan": { "key": "year", "value": 1989 }, erstellen Sie einen Ausdrucksindex für den year Schlüssel. Weitere Informationen finden Sie unter Indizes für Ausdrücke in der PostgreSQL-Dokumentation.

   CREATE INDEX ON your_table ((custom_metadata->>'year')::double precision

   Wenn Sie diesen Feldnamen nicht angeben, können Sie alternativ für jedes Metadatenattribut in Ihren Dateien eine Spalte erstellen und den Datentyp (Text, Zahl oder Boolean) angeben. Wenn das Attribut beispielsweise in Ihrer Datenquelle genre vorhanden ist, würden Sie eine Spalte mit dem Namen genre und der Angabe text als Datentyp hinzufügen. Während der Datenaufnahme werden diese separaten Spalten mit den entsprechenden Attributwerten gefüllt.

4. Konfigurieren Sie ein AWS Secrets Manager Geheimnis für Ihren Aurora-DB-Cluster, indem Sie die Schritte unter Passwortverwaltung mit Amazon Aurora und befolgen AWS Secrets Manager.

5. Notieren Sie sich die folgenden Informationen, nachdem Sie Ihren DB-Cluster erstellt und das Geheimnis eingerichtet haben.

   Feld in der Einrichtung der Wissensdatenbank (Konsole)	Feld in der Einrichtung der Wissensdatenbank (API)	Beschreibung
   ARN des Amazon-Aurora-DB-Clusters	resourceArn	Der ARN Ihres DB-Clusters
   Datenbankname	databaseName	Der Name Ihrer Datenbank
   Tabellenname	tableName	Der Name der Tabelle Ihrem DB-Cluster
   ARN des Secrets	credentialsSecretArn	Der ARN des AWS Secrets Manager Schlüssels für Ihren DB-Cluster

1. Um ein Diagramm und einen Vektorspeicher in Neptune Analytics in der zu erstellen AWS Management Console, folgen Sie den unter Vektorindizierung in Neptune Analytics im Neptune Analytics-Benutzerhandbuch beschriebenen Schritten.

   Anmerkung

   Um Neptune GraphRag zu verwenden, erstellen Sie ein leeres Neptune Analytics-Diagramm mit einem Vektor-Suchindex. Der Vektorsuchindex kann nur erstellt werden, wenn das Diagramm erstellt wird. Wenn Sie in der Konsole ein Neptune Analytics-Diagramm erstellen, geben Sie gegen Ende des Vorgangs die Indexdimension unter Einstellungen für die Vektorsuche an.

   Beachten Sie bei der Erstellung des Diagramms die folgenden Überlegungen:

   1. Geben Sie dem Diagramm einen Namen Ihrer Wahl.

   2. Wählen Sie unter Datenquelle die Option Leeres Diagramm erstellen aus und geben Sie die Anzahl der m- NCUs an, die zugewiesen werden sollen. Jede m-NCU verfügt über rund ein GiB Speicherkapazität und entsprechende Rechen- und Netzwerkfunktionen.

      Anmerkung

      Die Kapazität Ihres Diagramms kann später geändert werden. Wir empfehlen, mit der kleinsten Instanz zu beginnen und später, falls erforderlich, eine andere Instanz auszuwählen.

   3. Sie können die Standardeinstellungen für die Netzwerkkonnektivität beibehalten. Amazon Bedrock stellt eine Netzwerkverbindung zum Neptune Analytics-Diagramm her, mit dem Sie die Wissensdatenbank verknüpfen. Sie müssen keine öffentliche Konnektivität oder private Endpunkte für Ihr Diagramm konfigurieren.

   4. Wählen Sie unter Einstellungen für die Vektorsuche die Option Vektordimension verwenden aus und geben Sie die Anzahl der Dimensionen in jedem Vektor an.

      Anmerkung

      Die Anzahl der Dimensionen in jedem Vektor muss mit den Vektorabmessungen im Einbettungsmodell übereinstimmen. Anhand der folgenden Tabelle können Sie bestimmen, wie viele Dimensionen der Vektor enthalten sollte:

      Modell	Dimensionen
      TitanG1 Einbettungen — Text	1 536
      TitanV2 Einbettungen - Text	1.024, 512 und 256
      CohereEmbedEnglisch	1,024
      CohereEmbedMehrsprachig	1,024

   5. Belassen Sie alle anderen Einstellungen auf den Standardeinstellungen und erstellen Sie das Diagramm.

2. Sobald das Diagramm erstellt wurde, klicken Sie darauf, um die Ressourcen-ARN - und Vector-Dimensionen für die Erstellung der Wissensdatenbank zu notieren. Achten Sie bei der Auswahl des Einbettungsmodells in Amazon Bedrock darauf, dass Sie ein Modell mit denselben Abmessungen wie die Vector-Dimensionen wählen, die Sie in Ihrem Neptune Analytics-Diagramm konfiguriert haben.

Um ein Geheimnis für Ihre Pinecone Konfiguration einzurichten

1. Folgen Sie den Schritten unter Ein AWS Secrets Manager Geheimnis erstellen und legen Sie den Schlüssel als apiKey und den Wert als API-Schlüssel für den Zugriff auf Ihren Pinecone Index fest.

2. Sie finden Ihren API-Schlüssel, indem Sie die Pinecone-Konsole öffnen und API-Schlüssel auswählen.

3. Nachdem Sie das Geheimnis erstellt haben, notieren Sie sich den ARN des KMS-Schlüssels.

4. Ordnen Sie Ihrer Servicerolle Berechtigungen zu, um den ARN des KMS-Schlüssels zu entschlüsseln, indem Sie die Schritte unter Berechtigungen zum Entschlüsseln eines AWS Secrets Manager Geheimnisses für den Vektorspeicher, der Ihre Wissensdatenbank enthält befolgen.

5. Geben Sie den ARN später beim Erstellen Ihrer Wissensdatenbank in das Feld Anmeldeinformationen – geheimer ARN ein.

Um ein Geheimnis für Ihre Redis Enterprise Cloud Konfiguration einzurichten

1. Aktivieren Sie TLS, um Ihre Datenbank mit Amazon Bedrock zu verwenden, indem Sie die Schritte unter Transport Layer Security (TLS) befolgen.

2. Folgen Sie den Schritten unter Ein AWS Secrets Manager Geheimnis erstellen. Richten Sie die folgenden Schlüssel mit den entsprechenden Werten aus Ihrer Redis Enterprise Cloud Konfiguration im Secret ein:

   • username— Der Benutzername für den Zugriff auf Ihre Redis Enterprise Cloud Datenbank. Ihren Benutzernamen finden Sie in der Redis-Konsole im Abschnitt Sicherheit Ihrer Datenbank.

   • password— Das Passwort für den Zugriff auf Ihre Redis Enterprise Cloud Datenbank. Ihr Passwort finden Sie in der Redis-Konsole im Abschnitt Sicherheit Ihrer Datenbank.

   • serverCertificate – Der Inhalt des Zertifikats von der Redis-Cloud-Zertifizierungsstelle. Laden Sie das Serverzertifikat von der Redis-Administratorkonsole herunter, indem Sie den Schritten unter Herunterladen von Zertifikaten folgen.

   • clientPrivateKey – Der private Schlüssel von der Redis-Cloud-Zertifizierungsstelle. Laden Sie das Serverzertifikat von der Redis-Administratorkonsole herunter, indem Sie den Schritten unter Herunterladen von Zertifikaten folgen.

   • clientCertificate – Der öffentliche Schlüssel von der Redis-Cloud-Zertifizierungsstelle. Laden Sie das Serverzertifikat von der Redis-Administratorkonsole herunter, indem Sie den Schritten unter Herunterladen von Zertifikaten folgen.

3. Nachdem Sie das Secret erstellt haben, notieren Sie sich den entsprechenden ARN. Geben Sie den ARN später beim Erstellen Ihrer Wissensdatenbank in das Feld Anmeldeinformationen – geheimer ARN ein.