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.
Cas d'utilisation de bases de données vectori
Les exemples suivants montrent comment différentes options de base de données vectorielles peuvent être utilisées efficacement pour améliorer la gestion des connaissances, améliorer l'efficacité opérationnelle et obtenir de meilleurs résultats commerciaux. Ces cas d'utilisation illustrent les applications pratiques des solutions de base de données vectorielles évoquées plus haut dans ce guide et fournissent un aperçu de leurs performances et avantages réels.
Gestion des connaissances avec Amazon Kendra
Problème avec le client — L'un des plus grands entrepreneurs généraux du Japon était confronté à une baisse de son personnel expérimenté. L'entreprise avait besoin d'un moyen de transférer efficacement les connaissances et les compétences du personnel expérimenté à la jeune génération. Ils avaient besoin d'une solution pour saisir et diffuser les connaissances complexes en ingénierie de la construction et les expériences passées.
AWS solution — Pour résoudre ce problème, le client s'est tourné vers Amazon Kendra, une solution d'intelligence artificielle capable de gérer rapidement et précisément sa base de connaissances interne et d'autoriser les requêtes en langage naturel. Grâce à Amazon Kendra, les employés peuvent désormais trouver les informations dont ils ont besoin beaucoup plus rapidement, ce qui améliore la productivité et facilite le transfert de connaissances entre le personnel expérimenté et le personnel plus jeune.
Impact — En mettant en œuvre un chatbot génératif basé sur l'IA alimenté par Amazon Kendra, l'entreprise a créé une plateforme de connaissances unifiée. Le chatbot permet aux employés d'accéder rapidement aux connaissances techniques et aux expériences passées en génie de la construction. Cette solution a considérablement amélioré l'efficacité du transfert de connaissances et des processus de prise de décision au sein de l'organisation, contribuant ainsi à garantir que la précieuse expertise est préservée et facilement accessible à tous les employés. Le coût de cette solution peut varier en fonction de votre utilisation et de votre configuration. Pour une estimation détaillée des coûts, consultez le Calculateur de tarification AWS
Pour plus d'informations sur les autres cas d'utilisation, consultez les clients d'Amazon Kendra
Analyses en temps réel avec OpenSearch Serverless
Problème client — Un fournisseur de services financiers de premier plan a dû relever le défi de gérer un énorme écosystème de données. Elle a traité 300 millions d'autorisations et 90 milliards de transactions par an, accumulant environ 1,1 pétaoctet (Po) de données. Le système existant, qui dessert 300 000 utilisateurs ayant besoin d'accéder à plus de 6 000 rapports, avait besoin d'être modernisé pour assurer une cohérence globale et permettre une prise de décision en temps réel.
AWS solution — L'architecture de la solution a utilisé des modèles de base disponibles via Amazon Bedrock (notamment Anthropic, Sonnet 3, Sonnet 3.5 et Haiku) pour le traitement du langage naturel. Le client a choisi OpenSearch Serverless comme base de données vectorielle pour son évolutivité supérieure et sa capacité à gérer efficacement l'énorme volume de données. Cette architecture a permis le traitement fluide des requêtes complexes et la génération de rapports dynamiques.
Impact — La mise en œuvre a permis d'augmenter la productivité de 50 % en éliminant le besoin de générer manuellement plus de 100 tableaux de bord de business intelligence. Les utilisateurs peuvent désormais générer des rapports par le biais de requêtes en langage naturel avec des temps de réponse compris entre 20 et 40 secondes. Le coût de cette solution peut varier en fonction de votre utilisation et de votre configuration. Pour une estimation détaillée des coûts, consultez le Calculateur de tarification AWS
