Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Bangun basis pengetahuan dengan grafik dari Amazon Neptune Analytics
Pangkalan Pengetahuan Amazon Bedrock menawarkan fitur GraphRag yang dikelola sepenuhnya dengan Amazon Neptunus. GraphRag adalah kemampuan yang disediakan dengan Amazon Bedrock Knowledge Bases yang menggabungkan pemodelan grafik dengan AI generatif untuk meningkatkan retrieval-augmented generation (RAG). Fitur ini menggabungkan pencarian vektor dengan kemampuan untuk dengan cepat menganalisis sejumlah besar data grafik dari Amazon Neptunus dalam aplikasi RAG.
GraphRag secara otomatis mengidentifikasi dan memanfaatkan hubungan antara entitas dan elemen struktural dalam dokumen yang dicerna ke dalam Basis Pengetahuan. Hal ini memungkinkan tanggapan yang lebih komprehensif dan relevan secara kontekstual dari model pondasi, terutama ketika informasi perlu dihubungkan melalui beberapa langkah logis. Ini berarti bahwa aplikasi AI generatif dapat memberikan respons yang lebih relevan dalam kasus di mana menghubungkan data dan penalaran di beberapa potongan dokumen diperlukan. Ini memberdayakan aplikasi seperti chatbots untuk memberikan tanggapan yang lebih relevan dari model dasar (FMs) dalam kasus di mana fakta, entitas, dan hubungan terkait yang berasal dari berbagai sumber dokumen diperlukan untuk menjawab pertanyaan
Ketersediaan Wilayah GraphRag
GraphRag tersedia sebagai berikut: Wilayah AWS
-
Eropa (Frankfurt)
-
Eropa (London)
-
Eropa (Irlandia)
-
AS Barat (Oregon)
-
AS Timur (Virginia Utara)
-
Asia Pasifik (Tokyo)
-
Asia Pacific (Singapore) (Asia Pacific (Singapore))
Manfaat menggunakan GraphRag
Pangkalan Pengetahuan Amazon Bedrock dengan GraphRag menawarkan manfaat berikut:
-
Respons yang lebih relevan dan komprehensif dengan secara otomatis mengidentifikasi dan memanfaatkan hubungan antara entitas dan elemen struktural (seperti judul bagian) di berbagai sumber dokumen yang dicerna ke dalam Pangkalan Pengetahuan Amazon Bedrock.
-
Peningkatan kemampuan untuk melakukan pencarian lengkap yang menghubungkan berbagai konten melalui beberapa langkah logis, meningkatkan teknik RAG tradisional.
-
Kemampuan penalaran lintas dokumen yang lebih baik, memungkinkan jawaban yang lebih tepat dan akurat secara kontekstual dengan menghubungkan informasi di berbagai sumber, yang membantu lebih meningkatkan akurasi dan meminimalkan halusinasi.
Bagaimana GraphRag bekerja
Setelah melakukan pencarian vektor awal untuk node yang relevan, Amazon Bedrock Knowledge Bases GraphRag melakukan langkah-langkah berikut untuk menghasilkan respons yang lebih baik:
-
Mengambil node grafik terkait atau pengidentifikasi potongan yang ditautkan ke potongan dokumen yang diambil.
-
Memperluas potongan terkait ini dengan melintasi grafik dan mengambil detailnya dari database grafik.
-
Memberikan tanggapan yang lebih bermakna dengan memahami entitas yang relevan dan berfokus pada koneksi kunci menggunakan konteks yang diperkaya ini.
Pertimbangan dan batasan GraphRag
Berikut ini adalah beberapa batasan saat menggunakan Basis Pengetahuan Amazon Bedrock dengan GraphRag
-
AWS PrivateLink konektivitas ke titik akhir VPC Anda tidak didukung saat menggunakan GraphRag dengan Basis Pengetahuan.
-
Opsi konfigurasi untuk menyesuaikan pembuatan grafik tidak didukung.
-
Penskalaan otomatis tidak didukung untuk grafik Amazon Neptune Analytics.
-
GraphRag hanya mendukung Amazon S3 sebagai sumber data.
-
Claude 3 Haiku dipilih sebagai model dasar untuk secara otomatis membuat grafik untuk basis pengetahuan Anda. Ini secara otomatis memungkinkan pengayaan kontekstual.
-
Setiap sumber data dapat memiliki hingga 1000 file. Anda dapat meminta untuk meningkatkan batas ini hingga maksimum 10000 file per sumber data. Atau, Anda dapat mempartisi bucket Amazon S3 Anda ke dalam folder, di mana setiap folder dapat berisi hingga 1000 file.
-
Jika Anda menggunakan chunking hierarkis sebagai strategi chunking, GraphRag hanya mengambil potongan anak selama operasi pencarian. Itu tidak menggantikan potongan anak dengan potongan induk yang sesuai. Ini berarti hasil penelusuran Anda berisi konten spesifik dan terperinci dari potongan anak, bukan konteks yang lebih luas dari potongan induk.
