Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Pemrosesan multimodal asli
Dengan pemrosesan multimodal * asli*, basis pengetahuan Amazon Bedrock yang dikelola mengirimkan setiap file langsung ke model penyematan multimodal. Model kemudian membuat penyematan dari gambar mentah, audio, dan konten video.
Tanpa model penyematan multimodal asli, basis pengetahuan bekerja secara berbeda. Pertama mem-parsing file Anda. Kemudian ia memotong teks yang diekstraknya dari mereka. Akhirnya ia menyematkan potongan-potongan itu dengan model penyematan teks.
Pemrosesan multimodal asli melewatkan penguraian dan ekstraksi teks. Akibatnya, itu menyimpan detail visual dan audio yang akan hilang dari ekstraksi teks.
Untuk mengaktifkan pemrosesan multimodal asli, pilih model penyematan multimodal asli saat Anda membuat basis pengetahuan. Saat ini, TwelveLabs Marengo Embed 3.0 (`twelvelabs.marengo-embed-3-0-v1:0`) adalah satu-satunya model yang dapat Anda pilih. Untuk petunjuk tentang mengkonfigurasinya, lihat[Membuat basis pengetahuan terkelola](kb-managed-create.md).
## Cara kerja pemrosesan multimodal asli
Saat Anda mengonfigurasi basis pengetahuan dengan model penyematan multimodal asli, berikut ini berlaku:
+ **Hanya strategi `MULTI_MODAL_EMBEDDINGS` parsing yang didukung. ** Anda tidak dapat menggabungkan model penyematan multimodal asli dengan strategi penguraian lainnya.
+ **File dikirim langsung ke model embedding. ** Model embedding memproses file mentah dan menghasilkan penyematan dari konten aslinya.
+ **Text-based Strategi chunking tidak didukung. ** Karena file Anda tidak diurai menjadi teks, strategi chunking yang berlaku untuk teks, seperti chunking default dan chunking ukuran tetap, tidak berlaku.
+ **Anda dapat mengonfigurasi segmentasi untuk audio dan video. ** Alih-alih strategi pemotongan teks, Anda memilih bagaimana basis pengetahuan membagi file audio dan video menjadi segmen. Gunakan pengaturan segmentasi di `modelConfiguration` lapangan. Untuk informasi selengkapnya, lihat [Membuat basis pengetahuan terkelola](kb-managed-create.md).
+ **Hanya jenis file yang didukung model yang didukung. ** Basis pengetahuan yang dikonfigurasi dengan model penyematan multimodal asli hanya dapat menyerap jenis file yang diterima model. Untuk jenis file dan pengaturan lain yang TwelveLabs Marengo Embed 3.0 mendukung, lihat[TwelveLabs Marengo Sematkan 3.0](model-parameters-marengo-3.md).
+ **Anda harus menyediakan tujuan penyimpanan multimodal. ** Berikan lokasi Amazon S3 untuk basis pengetahuan untuk memproses dan menyerap konten Anda. Amazon Bedrock Knowledge Bases membuat folder `aws/` awalan di bucket Anda. Gunakan bucket yang berbeda dari bucket sumber data Anda. Untuk izin yang dibutuhkan peran layanan, lihat[Izin untuk tujuan penyimpanan multimodal Anda](kb-managed-permissions.md#kb-managed-permissions-multimodal-storage).
+ **Hanya [Retrieve](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) API yang didukung. ** Anda menanyakan basis pengetahuan yang menggunakan model penyematan multimodal asli dengan operasi. [Retrieve](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)Operasi tidak didukung.
+ **Kueri harus berupa teks. ** Anda menanyakan konten multimodal Anda dengan menggunakan teks. Kueri gambar tidak didukung.
Untuk detail tentang metadata yang dikembalikan [Retrieve](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) operasi untuk hasil multimodal, dan cara mengambil file yang cocok, lihat. [Ambil tanggapan untuk basis pengetahuan multimodal asli](kb-test-get-document-content.md#kb-get-doc-content-native-multimodal)
## Bagaimana basis pengetahuan memanggil model embedding
Saat Anda menggunakan model penyematan multimodal asli, basis pengetahuan Anda memanggil model itu secara sinkron dan asinkron. Ini menggunakan pemanggilan sinkron saat Anda mengirimkan kueri, dan pemanggilan asinkron saat menyerap konten Anda. Peran layanan Anda memerlukan izin untuk keduanya. Untuk informasi selengkapnya tentang kebijakan yang akan dilampirkan, lihat[Izin untuk mengakses model Amazon Bedrock](kb-managed-permissions.md#kb-managed-permissions-access-models).
**catatan**
Dalam beberapa Wilayah AWS, TwelveLabs Marengo Embed 3.0 model mendukung pemanggilan sinkron hanya melalui profil [ inferensi. ](inference-profiles-support.md) Pemanggilan asinkron masih menggunakan model on-demand. Di Wilayah ini, tentukan profil inferensi saat Anda membuat basis pengetahuan. Basis pengetahuan kemudian menggunakan profil inferensi dan model on-demand untuk memproses konten Anda. Peran layanan Anda memerlukan izin untuk keduanya.
Untuk memeriksa bagaimana TwelveLabs Marengo Embed 3.0 didukung dalam Wilayah AWS yang Anda gunakan, lihat[TwelveLabs Marengo Sematkan 3.0](model-parameters-marengo-3.md).
## Mengelola data transien dengan kebijakan siklus hidup Amazon S3
Sementara Amazon Bedrock Knowledge Bases memproses konten Anda, Amazon menyimpan data sementara di tujuan penyimpanan multimodal Anda. Ini mencoba untuk menghapus data itu saat pemrosesan selesai. Untuk memastikan bahwa data kedaluwarsa, sebaiknya Anda menerapkan kebijakan siklus hidup ke jalur data sementara.
------
#### [ Console ]
**Untuk membuat aturan siklus hidup menggunakan konsol**
1. Buka [konsol Amazon S3](https://console.aws.amazon.com/s3).
1. Arahkan ke tujuan penyimpanan multimodal yang Anda konfigurasikan untuk basis pengetahuan Anda.
1. Pilih ** tab ** Manajemen, lalu pilih ** Buat aturan siklus hidup**.
1. Untuk nama aturan ** siklus hidup**, masukkan**Transient Data Deletion**.
1. Di bawah Jenis ** filter**, pilih ** Batasi cakupan aturan ini menggunakan satu atau lebih filter**.
1. Untuk ** A ** walan, masukkan jalur data transien untuk basis pengetahuan dan sumber data Anda.
Ganti nilai placeholder dalam awalan berikut dengan pengidentifikasi aktual Anda:
```
aws/bedrock/knowledge_bases/{{knowledge-base-id}}/{{data-source-id}}/transient_data
```
**Jangan hapus konten multimodal**
Jangan menerapkan kebijakan siklus hidup ke seluruh bucket atau `aws/` awalan, karena ini akan menghapus konten multimodal Anda dan dapat menyebabkan kegagalan pemrosesan. Hanya gunakan jalur data transien yang ditunjukkan pada contoh awalan sebelumnya.
1. Di bawah ** Tindakan aturan siklus hidup**, pilih ** Kedaluwarsa versi objek saat ini**.
1. Untuk ** Hari setelah pembuatan objek**, masukkan**1**.
1. Pilih **Buat aturan**.
------
#### [ AWS CLI ]
**Untuk membuat aturan siklus hidup menggunakan AWS CLI**
1. Buat file JSON bernama `lifecycle-policy.json` dengan konten berikut, ganti nilai placeholder dengan pengidentifikasi aktual Anda:
+ {{knowledge-base-id}}— Pengidentifikasi basis pengetahuan Anda
+ {{data-source-id}}— Pengidentifikasi sumber data Anda
```
{
"Rules": [
{
"ID": "TransientDataDeletion",
"Status": "Enabled",
"Filter": {
"Prefix": "aws/bedrock/knowledge_bases/{{knowledge-base-id}}/{{data-source-id}}/transient_data"
},
"Expiration": {
"Days": 1
}
}
]
}
```
1. Terapkan kebijakan siklus hidup ke bucket Anda. Ganti {{amzn-s3-demo-bucket}} dengan nama bucket penyimpanan multimodal Anda:
```
aws s3api put-bucket-lifecycle-configuration \
--bucket {{amzn-s3-demo-bucket}} \
--lifecycle-configuration file://lifecycle-policy.json
```
1. Verifikasi bahwa kebijakan siklus hidup telah diterapkan:
```
aws s3api get-bucket-lifecycle-configuration \
--bucket {{amzn-s3-demo-bucket}}
```
------
Untuk informasi selengkapnya tentang kebijakan siklus hidup Amazon S3, lihat M [ engelola siklus hidup objek ](https://docs.aws.amazon.com/AmazonS3/latest/userguide/object-lifecycle-mgmt.html) di Panduan Pengguna * Amazon S3*.