Conditions préalables à l'utilisation d'un magasin vectoriel que vous avez créé pour une base de connaissances

1. Pour configurer les autorisations et créer une collection de recherche vectorielle dans Amazon OpenSearch Serverless dans le AWS Management Console, suivez les étapes 1 et 2 de la section Utilisation des collections de recherche vectorielle dans le manuel Amazon OpenSearch Service Developer Guide. Tenez compte des considérations suivantes lors de la configuration de votre collection :

   1. Donnez à la collection un nom et une description de votre choix.

   2. Pour rendre votre collection privée, sélectionnez Création standard dans la section Sécurité. Ensuite, dans la section Paramètres d'accès au réseau, sélectionnez VPC comme type d'accès et choisissez un point de terminaison VPC. Pour plus d'informations sur la configuration d'un point de terminaison VPC pour une collection Amazon Serverless, consultez Access Amazon OpenSearch OpenSearch Serverless à l'aide d'un point de terminaison d'interface ()AWS PrivateLink dans le manuel Amazon OpenSearch Service Developer Guide.

2. Une fois la collection créée, prenez note de l'ARN de la collection lorsque vous créez la base de connaissances.

3. Dans le volet de navigation de gauche, sélectionnez Collections sous Serverless. Sélectionnez ensuite votre collection de recherche vectorielle.

4. Sélectionnez l'onglet Indexes. Choisissez ensuite Créer un index vectoriel.

5. Dans la section Détails de l'index vectoriel, entrez le nom de votre index dans le champ Nom de l'index vectoriel.

6. Dans la section Champs vectoriels, choisissez Ajouter un champ vectoriel. Amazon Bedrock stocke les intégrations vectorielles de votre source de données dans ce champ. Fournissez les configurations suivantes :

   • Nom du champ vectoriel — Donnez un nom au champ (par exemple,embeddings).

   • Moteur — Le moteur vectoriel utilisé pour la recherche. Sélectionnez Faiss.

   • Dimensions : nombre de dimensions du vecteur. Reportez-vous au tableau suivant pour déterminer le nombre de dimensions que le vecteur doit contenir :

     Modèle	Dimensions
     TitanIntégrations G1 - Texte	1 536
     TitanEmbeddings V2 - Texte	1 024, 512 et 256
     CohereEmbedAnglais	1,024
     CohereEmbedMultilingue	1,024

   • Métrique de distance : métrique utilisée pour mesurer la similarité entre les vecteurs. Nous recommandons d'utiliser Euclidean pour les intégrations vectorielles à virgule flottante.

7. Développez la section Gestion des métadonnées et ajoutez deux champs pour configurer l'index vectoriel afin de stocker des métadonnées supplémentaires qu'une base de connaissances peut récupérer à l'aide de vecteurs. Le tableau suivant décrit les champs et les valeurs à spécifier pour chaque champ :

   Description du champ	Champ de mappage	Type de données	Filtrable
   Amazon Bedrock découpe le texte brut de vos données et stocke les fragments dans ce champ.	Nom de votre choix (par exemple,text)	Chaîne	True
   Amazon Bedrock stocke les métadonnées relatives à votre base de connaissances dans ce domaine.	Nom de votre choix (par exemple,bedrock-metadata)	Chaîne	False

8. Prenez note des noms que vous choisissez pour le nom de l'index vectoriel, le nom du champ vectoriel et les noms des champs de mappage de gestion des métadonnées lorsque vous créez votre base de connaissances. Ensuite, choisissez Créer.

1. Pour créer un domaine et un index vectoriel dans OpenSearch Cluster in the AWS Management Console, suivez les étapes décrites dans la section Création et gestion de domaines de OpenSearch service dans le manuel Amazon OpenSearch Service Developer Guide.

   Tenez compte des considérations suivantes lors de la configuration de votre domaine :

   1. Donnez au domaine le nom de votre choix.

   2. Nous vous recommandons d'utiliser l'option de création facile pour commencer rapidement à créer votre domaine.

      Note

      Cette option vous permet d'obtenir un domaine à faible débit. Si vous avez des charges de travail plus importantes qui nécessitent un débit plus élevé, choisissez l'option de création standard. Vous pouvez ajuster la capacité ultérieurement selon vos besoins. Avec cette option, vous pouvez commencer avec la capacité la plus faible, qui peut ensuite être modifiée ultérieurement selon les besoins.

   3. Pour Réseau, vous devez choisir Accès public. OpenSearch les domaines situés derrière un VPC ne sont pas pris en charge par votre base de connaissances.

   4. Pour la version, si vous utilisez des intégrations vectorielles binaires, les bases de connaissances Amazon Bedrock nécessitent une version 2.16 ou ultérieure du moteur. En outre, une version 2.13 ou supérieure est requise pour créer un index k-nn. Pour plus d'informations, consultez K-NN Search dans le guide du développeur Amazon OpenSearch Service.

   5. Nous vous recommandons d'utiliser le mode Dual-Stack.

   6. Nous vous recommandons d'activer le contrôle d'accès détaillé pour protéger les données de votre domaine et de contrôler davantage les autorisations qui accordent à votre rôle de service de base de connaissances l'accès au OpenSearch domaine et l'envoi de demandes.

   7. Conservez les valeurs par défaut de tous les autres paramètres et choisissez Créer pour créer votre domaine.

2. Une fois le domaine créé, cliquez dessus pour prendre note de l'ARN du domaine et du point de terminaison du domaine lorsque vous créez la base de connaissances.

3. Après avoir créé le domaine, vous pouvez créer un index vectoriel en exécutant les commandes suivantes sur un OpenSearch tableau de bord ou en utilisant les commandes curl. Pour plus d’informations, consultez la documentation OpenSearch .

   Lors de l'exécution de la commande :

   • Donnez un nom au champ vectoriel (par exemple,embeddings).

   • Assurez-vous que le vecteur utilisé pour la recherche est faiss. nmslib n'est pas pris en charge.

   • Pour connaître le nombre de dimensions du vecteur, reportez-vous au tableau suivant pour déterminer le nombre de dimensions que le vecteur doit contenir :

     Note

     Le modèle Titan V2 Embeddings - Text prend en charge plusieurs dimensions. Il peut également être 256 ou 512.

     Modèle	Dimensions
     TitanIntégrations G1 - Texte	1 536
     TitanEmbeddings V2 - Texte	1 024, 512 et 256
     CohereEmbedAnglais	1,024
     CohereEmbedMultilingue	1,024

   • Vous pouvez ajouter deux champs pour configurer l'index vectoriel afin de stocker des métadonnées supplémentaires qu'une base de connaissances peut récupérer à l'aide de vecteurs. Le tableau suivant décrit les champs et les valeurs à spécifier pour chacun d'entre eux.

     Description du champ	Champ de mappage
     Amazon Bedrock découpe le texte brut de vos données et stocke les fragments dans ce champ.	Spécifié en tant qu'objet, par exemple,AMAZON_BEDROCK_TEXT_CHUNK.
     Amazon Bedrock stocke les métadonnées relatives à votre base de connaissances dans ce domaine.	Spécifié en tant qu'objet, par exemple,AMAZON_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. Prenez note de l'ARN du domaine et du point de terminaison, ainsi que des noms que vous choisissez pour le nom de l'index vectoriel, le nom du champ vectoriel et les noms des champs de mappage de gestion des métadonnées lorsque vous créez votre base de connaissances.

1. Lorsque vous créez votre compartiment vectoriel S3, tenez compte des considérations suivantes.

   • Fournissez un nom de compartiment vectoriel unique.

   • (Facultatif) Amazon S3 chiffre automatiquement les données à l'aide du chiffrement côté serveur par défaut avec les clés gérées par Amazon S3 (SSE-S3). Vous pouvez choisir d'utiliser ce chiffrement par défaut ou le chiffrement côté serveur avec des clés du service de gestion des AWS clés (SSE-KMS) à la place.

     Note

     Le type de chiffrement ne peut pas être modifié une fois le bucket vectoriel créé.

     Pour step-by-step obtenir des instructions, consultez la section Chiffrement avec des clés AWS KMS.

2. Une fois que vous avez créé le compartiment vectoriel S3, prenez note du nom de ressource Amazon (ARN) du compartiment vectoriel lorsque vous créez la base de connaissances.

3. Choisissez le compartiment vectoriel que vous avez créé, puis créez un index vectoriel. Lors de la création de l'index vectoriel, tenez compte des considérations suivantes.

   • Nom de l'index vectoriel — Donnez un nom au champ (par exemple,embeddings).

   • Dimension — Le nombre de dimensions du vecteur. Les dimensions doivent être une valeur comprise entre 1 et 4096. Reportez-vous au tableau suivant pour déterminer le nombre de dimensions que le vecteur doit contenir en fonction de votre sélection du modèle d'intégration :

     Modèle	Dimensions
     TitanIntégrations G1 - Texte	1 536
     TitanEmbeddings V2 - Texte	1 024, 512 et 256
     CohereEmbedAnglais	1,024
     CohereEmbedMultilingue	1,024

   • Note

     Les vecteurs Amazon S3 ne prennent en charge que les intégrations à virgule flottante. Les intégrations binaires ne sont pas prises en charge.

     Métrique de distance : métrique utilisée pour mesurer la similarité entre les vecteurs. Vous pouvez utiliser Cosine ou Euclidean.

4. Développez les paramètres supplémentaires et saisissez toutes les métadonnées non filtrables dans le champ Métadonnées non filtrables.

   Note

   Si vous pensez que vos fragments de texte dépasseront l'espace de métadonnées de 2 Ko, nous vous recommandons d'ajouter le champ de texte en AMAZON_BEDROCK_TEXT tant que clé de métadonnées non filtrable. Votre base de connaissances utilisera ce champ pour stocker les fragments de texte.

   Vous pouvez configurer jusqu'à 10 clés de métadonnées non filtrables. Choisissez Ajouter une clé, puis Ajouter AMAZON_BEDROCK_TEXT en tant que clé.

5. Créez l'index vectoriel et prenez note du nom de ressource Amazon (ARN) de l'index vectoriel lorsque vous créez la base de connaissances.

1. Créez un cluster, un schéma et une table de base de données (DB) Amazon Aurora en suivant les étapes décrites dans la section Utilisation d'Aurora PostgreSQL comme base de connaissances. Lorsque vous créez la table, configurez-la avec les colonnes et types de données suivants. Vous pouvez utiliser les noms de colonne de votre choix au lieu de ceux répertoriés dans le tableau suivant. Prenez note des noms de colonne que vous choisissez afin de pouvoir les fournir lors de la configuration de la base de connaissances.

   Vous devez renseigner ces champs avant de créer la base de connaissances. Ils ne peuvent pas être mis à jour une fois la base de connaissances créée.

   Important

   Le cluster Aurora doit résider dans le même emplacement Compte AWS que celui dans lequel la base de connaissances a été créée pour Amazon Bedrock.

   Nom de la colonne	Type de données	Champ correspondant dans la configuration de la base de connaissances (console)	Champ correspondant dans la configuration de la base de connaissances (API)	Description
   id	Clé primaire UUID	Clé primaire	primaryKeyField	Contient des identifiants uniques pour chaque enregistrement.
   embedding	Vector	Champ vectoriel	vectorField	Contient les intégrations vectorielles des sources de données.
   morceaux	Texte	Champ de texte	textField	Contient les segments de texte brut provenant de vos sources de données.
   métadonnées	JSON	Champ de métadonnées géré par Bedrock	metadataField	Contient les métadonnées nécessaires pour effectuer l’attribution de la source et pour permettre l’ingestion et l’interrogation des données
   métadonnées_personnalisées	JSONB	Champ de métadonnées personnalisé	customMetadataField	Champ facultatif qui indique la colonne dans laquelle Amazon Bedrock rédigera toutes les informations des fichiers de métadonnées provenant de vos sources de données.

2. Vous devez créer un index sur le vecteur des colonnes et le texte pour vos champs de texte et d'intégration. Si vous utilisez le champ de métadonnées personnalisé, vous devez également créer un index GIN sur cette colonne. Les index GIN peuvent être utilisés pour rechercher efficacement des paires clé-valeur dans des documents jsonb à des fins de filtrage des métadonnées. Pour plus d'informations, consultez la section indexation jsonb dans la documentation de PostgreSQL.

   Nom de la colonne	Créer un index sur	Obligatoire ?
   vecteur	CREATE INDEX ON bedrock_integration.bedrock_kb USING hnsw (embedding vector_cosine_ops);	Oui
   text	CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (to_tsvector('simple', chunks));	Oui
   métadonnées personnalisées	CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (custom_metadata);	Uniquement si vous avez créé la colonne de métadonnées personnalisée.

3. (Facultatif) Si vous avez ajouté des métadonnées à vos fichiers à des fins de filtrage, nous vous recommandons de fournir le nom de colonne dans le champ de métadonnées personnalisé afin de stocker toutes vos métadonnées dans une seule colonne. Lors de l'ingestion des données, cette colonne sera remplie avec toutes les informations contenues dans les fichiers de métadonnées provenant de vos sources de données. Si vous choisissez de fournir ce champ, vous devez créer un index GIN sur cette colonne.

   Note

   Si vous utilisez fréquemment des filtres de plage sur des métadonnées numériques, créez un index pour la clé spécifique afin d'optimiser les performances. Par exemple, si vous utilisez des filtres tels que"lessThan": { "key": "year", "value": 1989 }, créez un index d'expression sur la year clé. Pour plus d'informations, consultez la section Index des expressions dans la documentation de PostgreSQL.

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

   Sinon, si vous ne fournissez pas ce nom de champ, vous pouvez créer une colonne pour chaque attribut de métadonnées de vos fichiers et spécifier le type de données (texte, nombre ou booléen). Par exemple, si l'attribut genre existe dans votre source de données, vous devez ajouter une colonne nommée genre et spécifier text comme type de données. Lors de l'ingestion des données, ces colonnes distinctes seront remplies avec les valeurs d'attribut correspondantes.

4. Configurez un AWS Secrets Manager secret pour votre cluster de base de données Aurora en suivant les étapes décrites dans Gestion des mots de passe avec Amazon Aurora et AWS Secrets Manager.

5. Prenez note des informations suivantes après avoir le votre cluster de bases de données et après avoir configuré le secret.

   Champ dans la configuration de la base de connaissances (console)	Champ dans la configuration de la base de connaissances (API)	Description
   ARN du cluster de bases de données Amazon Aurora	resourceArn	ARN du cluster de bases de données.
   Nom de base de données	databaseName	Nom de la base de données.
   Nom de la table	tableName	Nom de la table dans le cluster de bases de données
   ARN du secret	credentialsSecretArn	L'ARN de la AWS Secrets Manager clé pour votre cluster de base de données

1. Pour créer un graphe et un magasin vectoriel dans Neptune Analytics dans le AWS Management Console, suivez les étapes décrites dans la section Indexation vectorielle dans Neptune Analytics du guide de l'utilisateur de Neptune Analytics.

   Note

   Pour utiliser Neptune GraphRag, créez un graphe Neptune Analytics vide avec un index de recherche vectoriel. L'index de recherche vectorielle ne peut être créé que lorsque le graphe est créé. Lorsque vous créez un graphe Neptune Analytics dans la console, vous spécifiez la dimension de l'index dans les paramètres de recherche vectorielle vers la fin du processus.

   Tenez compte des considérations suivantes lors de la création du graphique :

   1. Donnez au graphique le nom de votre choix.

   2. Sous Source de données, choisissez Créer un graphique vide et spécifiez le nombre de m- NCUs à allouer. Chaque m-NCU possède une capacité de mémoire d'environ un GiB, ainsi que des capacités de calcul et de mise en réseau correspondantes.

      Note

      La capacité de votre graphe peut être modifiée ultérieurement. Nous vous recommandons de commencer par la plus petite instance, puis d'en choisir une autre, si nécessaire.

   3. Vous pouvez conserver les paramètres de connectivité réseau par défaut. Amazon Bedrock créera une connexion réseau avec le graphe Neptune Analytics auquel vous associez la base de connaissances. Il n'est pas nécessaire de configurer la connectivité publique ou les points de terminaison privés pour votre graphe.

   4. Sous Paramètres de recherche vectorielle, choisissez Utiliser la dimension vectorielle et spécifiez le nombre de dimensions de chaque vecteur.

      Note

      Le nombre de dimensions de chaque vecteur doit correspondre aux dimensions vectorielles du modèle d'intégration. Reportez-vous au tableau suivant pour déterminer le nombre de dimensions que le vecteur doit contenir :

      Modèle	Dimensions
      TitanIntégrations G1 - Texte	1 536
      TitanEmbeddings V2 - Texte	1 024, 512 et 256
      CohereEmbedAnglais	1,024
      CohereEmbedMultilingue	1,024

   5. Conservez les paramètres par défaut pour tous les autres paramètres et créez le graphique.

2. Une fois le graphique créé, cliquez dessus pour prendre note des dimensions ARN et vecteur des ressources lorsque vous créez la base de connaissances. Lorsque vous choisissez le modèle d'intégration dans Amazon Bedrock, assurez-vous de choisir un modèle ayant les mêmes dimensions que les dimensions vectorielles que vous avez configurées sur votre graphique Neptune Analytics.

Pour définir un secret pour votre Pinecone configuration

1. Suivez les étapes décrites dans Créer un AWS Secrets Manager secret, en définissant la clé apiKey et la valeur comme clé d'API pour accéder à votre Pinecone index.

2. Pour trouver votre clé d’API, ouvrez la console Pinecone et sélectionnez Clés d’API.

3. Après avoir créé le secret, prenez note de l’ARN de la clé KMS.

4. Associez des autorisations à votre fonction du service pour déchiffrer l’ARN de la clé KMS en suivant les étapes décrites dans Autorisations permettant de déchiffrer un AWS Secrets Manager secret pour le magasin de vecteurs contenant votre base de connaissances.

5. Ultérieurement, lorsque vous créerez votre base de connaissances, entrez l’ARN dans le champ ARN secret des informations d’identification.

Pour définir un secret pour votre Redis Enterprise Cloud configuration

1. Activez TLS pour utiliser la base de données avec Amazon Bedrock en suivant les étapes décrites dans Transport Layer Security (TLS).

2. Suivez les étapes décrites dans la section Créer un AWS Secrets Manager secret. Configurez les clés suivantes avec les valeurs appropriées de votre Redis Enterprise Cloud configuration dans le secret :

   • username— Le nom d'utilisateur pour accéder à votre Redis Enterprise Cloud base de données. Pour trouver votre nom d’utilisateur, consultez la section Sécurité de votre base de données dans la console Redis.

   • password— Le mot de passe pour accéder à votre Redis Enterprise Cloud base de données. Pour trouver votre mot de passe, consultez la section Sécurité de votre base de données dans la console Redis.

   • serverCertificate : contenu du certificat délivré par l’autorité de certification Redis Cloud. Téléchargez le certificat de serveur depuis la console d’administration Redis en suivant les étapes de la section Télécharger les certificats.

   • clientPrivateKey : clé privée du certificat délivré par l’autorité de certification Redis Cloud. Téléchargez le certificat de serveur depuis la console d’administration Redis en suivant les étapes de la section Télécharger les certificats.

   • clientCertificate : clé publique du certificat délivré par l’autorité de certification Redis Cloud. Téléchargez le certificat de serveur depuis la console d’administration Redis en suivant les étapes de la section Télécharger les certificats.

3. Après avoir créé le secret, prenez note de son ARN. Ultérieurement, lorsque vous créerez votre base de connaissances, entrez l’ARN dans le champ ARN secret des informations d’identification.