Récupération de données et génération de réponses basées sur l’IA avec Amazon Bedrock Knowledge Bases - Amazon Bedrock

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Récupération de données et génération de réponses basées sur l’IA avec Amazon Bedrock Knowledge Bases

Bien que les modèles de fondation aient des connaissances générales, vous pouvez encore améliorer leurs réponses à l’aide de la génération à enrichissement contextuel (RAG). RAG est une technique qui améliore la pertinence et la précision des réponses générées à l’aide d’informations provenant de sources de données. Avec Amazon Bedrock Knowledge Bases, vous pouvez intégrer des informations propriétaires à vos applications d’IA générative. Lorsqu’une requête est effectuée, une base de connaissances recherche dans vos données les informations pertinentes pour y répondre. Les informations récupérées permettent ensuite d’améliorer les réponses générées. Vous pouvez créer votre propre application basée sur RAG à l’aide des fonctionnalités d’Amazon Bedrock Knowledge Bases.

Avec Amazon Bedrock Knowledge Bases, vous pouvez effectuer les actions suivantes :

  • Répondez aux requêtes utilisateur en renvoyant des informations pertinentes provenant de sources de données.

  • Générez une réponse précise et pertinente aux requêtes utilisateur à l’aide des informations récupérées à partir de sources de données.

  • Améliorez vos propres invites en y introduisant les informations pertinentes renvoyées.

  • Incluez des citations dans la réponse générée afin que la source de données d’origine puisse être référencée et que l’exactitude puisse être vérifiée.

  • Incluez des documents contenant de nombreuses ressources visuelles, à partir desquels des images peuvent être extraites et récupérées en réponse à des requêtes. Si vous générez une réponse basée sur les données récupérées, le modèle peut fournir des insights supplémentaires basés sur ces images.

  • Effectuez des recherches à l'aide d'images pour trouver du contenu visuellement similaire, ou combinez du texte et des images dans des requêtes pour obtenir des résultats plus précis à l'aide de modèles d'intégration multimodaux.

  • Convertissez le langage naturel en requêtes (telles que des requêtes SQL) personnalisées pour les bases de données structurées. Ces requêtes permettent de récupérer des données à partir de magasins de données structurés.

  • Mettez à jour vos sources de données et ingérez les modifications directement dans la base de connaissances afin qu’elles soient immédiatement accessibles.

  • Influencez les résultats récupérés à partir de votre source de données à l’aide de modèles de reclassement.

  • Intégrez la base de connaissances à un flux de travail Agents Amazon Bedrock.

Pour configurer une base de connaissances, vous devez effectuer les étapes générales suivantes :

  1. (Facultatif) Si vous connectez votre base de connaissances à une source de données non structurée, configurez votre propre magasin de vecteurs pris en charge pour indexer la vectorisation de vos données. Vous pouvez ignorer cette étape si vous envisagez d'utiliser la console Amazon Bedrock pour créer une boutique vectorielle Amazon OpenSearch Serverless pour vous.

  2. Connectez votre base de connaissances à une source de données non structurée ou structurée.

  3. Synchronisez votre source de données avec votre base de connaissances.

  4. Configurez votre application ou agent pour effectuer les actions suivantes :

    • Interroger la base de connaissances et renvoyer les sources pertinentes

    • Interroger la base de connaissances et générer des réponses en langage naturel en fonction des résultats récupérés

    • (Si vous interrogez une base de connaissances connectée à un magasin de données structuré) Transformer une requête en requête spécifique au langage de données structurées (par exemple en requête SQL)

Rubriques