Création d’une base de connaissances Amazon Bedrock avec des graphiques d’analytique Amazon Neptune

Connectez-vous à la AWS Management Console avec une identité IAM autorisée à utiliser la console Amazon Bedrock. Ensuite, ouvrez la console Amazon Bedrock à l’adresse https://console.aws.amazon.com/bedrock.

Dans le volet de navigation de gauche, sélectionnez Bases de connaissances.

Dans la section Bases de connaissances, choisissez Créer, puis sélectionnez Base de connaissances avec magasin de vecteurs.

(Facultatif) Sous Détails de la base de connaissances, modifiez le nom par défaut et fournissez une description de votre base de connaissances.

Sous Autorisations IAM, choisissez un rôle IAM qui fournit à Amazon Bedrock les autorisations nécessaires pour accéder à d’autres Services AWS requis. Vous pouvez soit laisser Amazon Bedrock créer le rôle de service pour vous, soit choisir d’utiliser votre rôle personnalisé que vous avez créé pour l’analytique Neptune. Pour obtenir un exemple, consultez Autorisations permettant d’accéder à votre base de données vectorielles dans l’analytique Amazon Neptune.

Veillez à choisir Amazon S3 comme source de données et cliquer sur Suivant pour configurer votre source de données.

Indiquez l’URI S3 du fichier utilisé comme source de données pour connecter votre base de connaissances à l’analytique Amazon Neptune et l’y intégrer. Pour connaître les étapes supplémentaires et les informations facultatives que vous pouvez fournir, consultez Connexion d’une source de données à votre base de connaissances.

Dans la section Modèle de vectorisation, choisissez un modèle de vectorisation pour convertir vos données en vectorisations. Vous pouvez éventuellement spécifier les dimensions vectorielles à l’aide de la section Configurations supplémentaires. Pour le type de vectorisations, nous vous recommandons d’utiliser des vectorisations à virgule flottante.

Dans la section Base de données vectorielles, choisissez la méthode de création du magasin de vecteurs, puis Analytique Amazon Neptune (GraphRAG) comme magasin de vecteurs pour stocker les vectorisations utilisées pour la requête. Vous pouvez créer votre magasin de vecteurs à l’aide de l’une des méthodes suivantes :

Cliquez sur Suivant et passez en revue les détails de votre base de connaissances. Vous pouvez modifier toute section avant de créer votre base de connaissances.

Cliquez sur Créer une base de connaissances. Pendant qu’Amazon Bedrock crée la base de connaissances, vous devriez voir le statut En cours. Vous devez attendre la fin de la création avant de synchroniser une source de données.

Une fois qu’Amazon Bedrock a fini de créer la base de connaissances, pour configurer une source de données, suivez les instructions sous Connexion d’une source de données à votre base de connaissances.

Créez d’abord une source de données à l’aide de la configuration d’enrichissement du contexte. Pour effectuer cette opération, envoyez une demande CreateDataSource avec un point de terminaison de compilation pour agents Amazon Bedrock. Voici un exemple de commande CLI.

aws bedrock-agent create-data-source \
    --name graph_rag_source \
    --description data_source_for_graph_rag \
    --knowledge-base-id LDBBY2K5AG \
    --cli-input-json "file://input.json"

Le code suivant affiche le contenu du fichier input.json.

{
    "dataSourceConfiguration": { 
        "s3Configuration": { 
            "bucketArn": "arn:aws:s3:::<example-graphrag-datasets>",
            "bucketOwnerAccountId": "<ABCDEFGHIJ>",
            "inclusionPrefixes": [ <"example-dataset"> ]
        },
        "type": "S3",
    },
    "VectorIngestionConfiguration": {
        "contextEnrichmentConfiguration":
            "type": "BEDROCK_FOUNDATION_MODEL",
            "bedrockFoundationModelConfiguration": {
                "modelArn": "arn:aws:bedrock:<region>::foundation-model/anthropic.claude-3-haiku-20240307-v1:0",
                "enrichmentStrategyConfiguration": {
                    "method": "CHUNK_ENTITY_EXTRACTION"
            }
        }
    }
}

Pour créer une base de connaissances, envoyez une demande CreateKnowledgeBase avec un point de terminaison de compilation pour agents Amazon Bedrock. Voici un exemple de commande CLI.

aws bi create-knowledge-base \
--name <"knowledge-base-graphrag"> \
--role-arn arn:aws:iam::<accountId>:role/<BedrockExecutionRoleForKnowledgeBase> \
--cli-input-json "file://input.json"

Voici le contenu du fichier input.json.

{
    "storageConfiguration": {
        "type": "NEPTUNE_ANALYTICS"
        "neptuneAnalyticsConfiguration": {
            "graphArn": "arn:aws:neptune-graph:<region>:<>:graph/<graphID>",
            "fieldMapping": {
                "metadataField": "metadata",
                "textField": "text"
            },
        }
    },
    "knowledgeBaseConfiguration": {
        "type": "VECTOR",
        "vectorKnowledgeBaseConfiguration": {
            "embeddingModelArn": "arn:aws:bedrock:<region>::foundation-model/cohere.embed-english-v3"
        }
    }
}

Lorsque votre application basée sur GraphRAG est en cours d’exécution, vous pouvez continuer à fournir aux utilisateurs finaux des réponses plus complètes, plus pertinentes et plus explicables à l’aide des opérations d’API Knowledge Bases. Les sections suivantes expliquent comment démarrer l’ingestion et effectuer des requêtes de récupération à l’aide de commandes CLI.