Prerequisiti per l'utilizzo di un archivio vettoriale creato per una knowledge base

1. Per configurare le autorizzazioni e creare una raccolta di ricerca vettoriale in Amazon OpenSearch Serverless in AWS Management Console, segui i passaggi 1 e 2 in Lavorare con le raccolte di ricerca vettoriale nella Amazon OpenSearch Service Developer Guide. Tieni presente le seguenti considerazioni durante la configurazione della raccolta:

   1. Assegna alla collezione un nome e una descrizione a tua scelta.

   2. Per rendere privata la tua raccolta, seleziona Creazione standard nella sezione Sicurezza. Quindi, nella sezione Impostazioni di accesso alla rete, seleziona VPC come tipo di accesso e scegli un endpoint VPC. Per ulteriori informazioni sulla configurazione di un endpoint VPC per una raccolta Amazon Serverless, consulta Access Amazon OpenSearch OpenSearch Serverless using an interface endpoint ()AWS PrivateLink nella Amazon Service Developer Guide. OpenSearch

2. Una volta creata la raccolta, prendi nota dell'ARN della collezione per quando crei la knowledge base.

3. Nel riquadro di navigazione a sinistra, seleziona Raccolte in Serverless. Quindi seleziona la tua raccolta di ricerca vettoriale.

4. Seleziona la scheda Indici. Quindi scegli Crea indice vettoriale.

5. Nella sezione Dettagli dell'indice vettoriale, inserisci un nome per l'indice nel campo Nome dell'indice vettoriale.

6. Nella sezione Campi vettoriali, scegli Aggiungi campo vettoriale. Amazon Bedrock memorizza gli incorporamenti vettoriali per la tua fonte di dati in questo campo. Fornisci le seguenti configurazioni:

   • Nome campo vettoriale: fornisci un nome per il campo (ad esempio,embeddings).

   • Motore: il motore vettoriale utilizzato per la ricerca. Seleziona faiss.

   • Dimensioni: il numero di dimensioni nel vettore. Fate riferimento alla tabella seguente per determinare quante dimensioni deve contenere il vettore:

     Modello	Dimensioni
     TitanIncorporamenti G1 - Testo	1.536
     TitanIncorporamenti V2 - Testo	1.024, 512 e 256
     CohereEmbedInglese	1,024
     CohereEmbedMultilingue	1,024

   • Metrica di distanza: la metrica utilizzata per misurare la similarità tra i vettori. Ti consigliamo di usare Euclidean per gli incorporamenti vettoriali a virgola mobile.

7. Espandi la sezione Gestione dei metadati e aggiungi due campi per configurare l'indice vettoriale per archiviare metadati aggiuntivi che una knowledge base può recuperare con i vettori. La tabella seguente descrive i campi e i valori da specificare per ogni campo:

   Descrizione del campo	Campo di mappatura	Tipo di dati	Filtrabile
   Amazon Bedrock suddividerà il testo non elaborato dai tuoi dati e li archivia in questo campo.	Nome a tua scelta (ad esempio,) text	Stringa	True
   Amazon Bedrock archivia i metadati relativi alla tua knowledge base in questo campo.	Nome a tua scelta (ad esempio,) bedrock-metadata	Stringa	False

8. Prendi nota dei nomi che scegli per il nome dell'indice vettoriale, il nome del campo vettoriale e i nomi dei campi di mappatura per la gestione dei metadati per la creazione della knowledge base. Quindi, scegli Crea.

1. Per creare un dominio e un indice vettoriale in OpenSearch Cluster in the AWS Management Console, segui i passaggi descritti in Creazione e gestione dei domini di OpenSearch servizio nella Amazon OpenSearch Service Developer Guide.

   Tieni presente le seguenti considerazioni durante la configurazione del dominio:

   1. Assegna al dominio un nome a tua scelta.

   2. Ti consigliamo di utilizzare l'opzione Easy create per iniziare rapidamente a creare il tuo dominio.

      Nota

      Questa opzione ti offre un dominio con un throughput ridotto. Se hai carichi di lavoro più grandi che richiedono un throughput più elevato, scegli l'opzione Standard Create. Puoi regolare la capacità in un secondo momento, se necessario. Con questa opzione, puoi iniziare con la capacità più bassa, che può poi essere modificata in seguito, se necessario.

   3. Per Rete, devi scegliere Accesso pubblico. OpenSearch i domini che si trovano dietro un VPC non sono supportati per la tua Knowledge Base.

   4. Per la versione, se utilizzi incorporamenti vettoriali binari, Amazon Bedrock Knowledge Bases richiede una versione del motore 2.16 o successiva. Inoltre, è necessaria una versione 2.13 o successiva per creare un indice k-nn. Per ulteriori informazioni, consulta K-NN Search nella guida per sviluppatori di Amazon OpenSearch Service.

   5. Ti consigliamo di utilizzare la modalità Dual-stack.

   6. Ti consigliamo di abilitare il controllo granulare degli accessi per proteggere i dati del tuo dominio e di controllare ulteriormente le autorizzazioni che consentono al tuo ruolo di servizio della Knowledge Base di accedere al dominio ed effettuare richieste. OpenSearch

   7. Lascia tutte le altre impostazioni ai valori predefiniti e scegli Crea per creare il tuo dominio.

2. Una volta creato il dominio, fai clic su di esso per prendere nota dell'ARN del dominio e dell'endpoint del dominio per quando crei la knowledge base.

3. Dopo aver creato il dominio, puoi creare un indice vettoriale eseguendo i seguenti comandi su una OpenSearch dashboard o utilizzando i comandi curl. Per ulteriori informazioni, consulta la documentazione relativa ad OpenSearch .

   Quando si esegue il comando:

   • Fornisci un nome per il campo vettoriale (ad esempio,embeddings).

   • Assicurati che il vettore usato per la ricerca sia falso. nmslib non è supportato.

   • Per il numero di dimensioni nel vettore, fate riferimento alla tabella seguente per determinare quante dimensioni deve contenere il vettore:

     Nota

     Il modello Titan V2 Embeddings - Text supporta più dimensioni. Può anche essere 256 o 512.

     Modello	Dimensioni
     TitanIncorporamenti G1 - Testo	1.536
     TitanIncorporamenti V2 - Testo	1.024, 512 e 256
     CohereEmbedInglese	1,024
     CohereEmbedMultilingue	1,024

   • È possibile aggiungere due campi per configurare l'indice vettoriale per memorizzare metadati aggiuntivi che una knowledge base può recuperare con i vettori. La tabella seguente descrive i campi e i valori da specificare per ciascuno di essi.

     Descrizione del campo	Campo di mappatura
     Amazon Bedrock suddividerà il testo non elaborato dai tuoi dati e li archivia in questo campo.	Specificato come oggetto, ad esempio,. AMAZON_BEDROCK_TEXT_CHUNK
     Amazon Bedrock archivia i metadati relativi alla tua knowledge base in questo campo.	Specificato come oggetto, ad esempio,. 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. Prendi nota dell'ARN e dell'endpoint del dominio e dei nomi che scegli per il nome dell'indice vettoriale, il nome del campo vettoriale e i nomi dei campi di mappatura per la gestione dei metadati per quando crei la tua knowledge base.

1. Quando crei il tuo bucket vettoriale S3, prendi nota delle seguenti considerazioni.

   • Fornisci un nome univoco per il bucket Vector.

   • (Facoltativo) Amazon S3 crittograferà automaticamente i dati utilizzando la crittografia lato server predefinita con chiavi gestite di Amazon S3 (SSE-S3). Puoi scegliere se utilizzare invece questa crittografia predefinita o la crittografia lato server con chiavi del servizio di gestione delle chiavi (SSE-KMS). AWS

     Nota

     Il tipo di crittografia non può essere modificato una volta creato il bucket vettoriale.

     Per step-by-step istruzioni, consulta Crittografia con chiavi AWS KMS.

2. Dopo aver creato il bucket vettoriale S3, prendi nota dell'Amazon Resource Name (ARN) del bucket vettoriale per quando crei la knowledge base.

3. Scegli il bucket vettoriale che hai creato, quindi crea un indice vettoriale. Quando crei l'indice vettoriale, prendi nota delle seguenti considerazioni.

   • Nome dell'indice vettoriale: fornite un nome per il campo (ad esempio,). embeddings

   • Dimensione: il numero di dimensioni nel vettore. Le dimensioni devono avere un valore compreso tra 1 e 4096. Fate riferimento alla tabella seguente per determinare quante dimensioni deve contenere il vettore in base alla selezione del modello di incorporamento:

     Modello	Dimensioni
     TitanIncorporamenti G1 - Testo	1.536
     TitanIncorporamenti V2 - Testo	1.024, 512 e 256
     CohereEmbedInglese	1,024
     CohereEmbedMultilingue	1,024

   • Nota

     Amazon S3 Vectors supporta solo gli incorporamenti a virgola mobile. Gli incorporamenti binari non sono supportati.

     Metrica di distanza: la metrica utilizzata per misurare la similarità tra i vettori. Puoi usare Cosine o Euclidean.

4. Espandi le impostazioni aggiuntive e fornisci tutti i metadati non filtrabili nel campo Metadati non filtrabili.

   Nota

   Se prevedi che i blocchi di testo superino lo spazio di metadati di 2 KB, ti consigliamo di aggiungere il campo di testo come chiave di metadati non filtrabile. AMAZON_BEDROCK_TEXT La tua knowledge base utilizzerà questo campo per memorizzare i blocchi di testo.

   Puoi configurare fino a un massimo di 10 chiavi di metadati non filtrabili. Scegli Aggiungi chiave, quindi aggiungi AMAZON_BEDROCK_TEXT come chiave.

5. Crea l'indice vettoriale e prendi nota dell'Amazon Resource Name (ARN) dell'indice vettoriale per quando crei la knowledge base.

1. Crea un cluster, uno schema e una tabella di database Amazon Aurora (DB) seguendo i passaggi descritti in Usare Aurora PostgreSQL come knowledge base. Quando crei la tabella, configurala con le seguenti colonne e tipi di dati. Puoi utilizzare i nomi delle colonne che preferisci anziché quelli elencati nella tabella seguente. Prendi nota dei nomi delle colonne che scegli in modo da poterli fornire durante la configurazione della knowledge base.

   È necessario fornire questi campi prima di creare la knowledge base. Non possono essere aggiornati una volta creata la knowledge base.

   Importante

   Il cluster Aurora deve risiedere nello stesso in cui viene Account AWS creata la knowledge base per Amazon Bedrock.

   Nome colonna	Tipo di dati	Campo corrispondente nella configurazione della knowledge base (Console)	Campo corrispondente nella configurazione della knowledge base (API)	Descrizione
   id	UUID (chiave primaria)	Chiave primaria	primaryKeyField	Contiene identificatori univoci per ogni record.
   incorporamento	Vettore	Campo vettoriale	vectorField	Contiene gli incorporamenti vettoriali delle origini dati.
   pezzi	Testo	Campo di testo	textField	Contiene i blocchi di testo non elaborato provenienti dalle origini dati.
   metadata	JSON	campo di metadati gestito da Bedrock	metadataField	Contiene i metadati necessari per eseguire l'attribuzione dell'origine e per consentire l'importazione dei dati e l'interrogazione
   metadati personalizzati	JSONB	Campo di metadati personalizzato	customMetadataField	Campo facoltativo che indica la colonna in cui Amazon Bedrock scriverà tutte le informazioni di qualsiasi file di metadati dalle tue fonti di dati.

2. È necessario creare un indice sulle colonne, sul vettore e sul testo per i campi di testo e di incorporamento. Se utilizzi il campo di metadati personalizzato, devi anche creare un indice GIN su questa colonna. Gli indici GIN possono essere utilizzati per cercare in modo efficiente coppie chiave-valore nei documenti jsonb per il filtraggio dei metadati. Per ulteriori informazioni, consulta l'indicizzazione jsonb nella documentazione di PostgreSQL.

   Nome colonna	Crea indice su	Obbligatorio?
   vettoriale	CREATE INDEX ON bedrock_integration.bedrock_kb USING hnsw (embedding vector_cosine_ops);	Sì
   text	CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (to_tsvector('simple', chunks));	Sì
   metadati personalizzati	CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (custom_metadata);	Solo se hai creato la colonna di metadati personalizzata.

3. (Facoltativo) Se hai aggiunto metadati ai tuoi file per filtrarli, ti consigliamo di fornire il nome della colonna nel campo dei metadati personalizzato per archiviare tutti i metadati in un'unica colonna. Durante l'inserimento dei dati, questa colonna verrà popolata con tutte le informazioni contenute nei file di metadati delle tue fonti di dati. Se scegli di fornire questo campo, devi creare un indice GIN su questa colonna.

   Nota

   Se utilizzi spesso filtri di intervallo sui metadati numerici, per ottimizzare le prestazioni, crea un indice per la chiave specifica. Ad esempio, se utilizzi filtri come"lessThan": { "key": "year", "value": 1989 }, crea un indice di espressione sulla year chiave. Per ulteriori informazioni, consulta Indici sulle espressioni nella documentazione di PostgreSQL.

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

   In alternativa, se non fornisci questo nome di campo, puoi creare una colonna per ogni attributo di metadati nei tuoi file e specificare il tipo di dati (testo, numero o booleano). Ad esempio, se l'attributo genre esiste nell'origine dati, è necessario aggiungere una colonna denominata genre e specificare text come tipo di dati. Durante l'inserimento dei dati, queste colonne separate verranno popolate con i valori degli attributi corrispondenti.

4. Configura un AWS Secrets Manager segreto per il tuo cluster Aurora DB seguendo i passaggi descritti in Gestione delle password con Amazon Aurora e. AWS Secrets Manager

5. Prendi nota delle seguenti informazioni dopo aver creato il cluster di database e impostato il segreto.

   Campo corrispondente nella configurazione della knowledge base (Console)	Campo corrispondente nella configurazione della knowledge base (API)	Descrizione
   Cluster di database Amazon Aurora	resourceArn	L'ARN del cluster di database.
   Nome del database	databaseName	Il nome del tuo database
   Nome tabella	tableName	Il nome della tabella nel cluster di database
   ARN del segreto	credentialsSecretArn	L'ARN della AWS Secrets Manager chiave per il tuo cluster DB

1. Per creare un grafico e un archivio vettoriale in Neptune Analytics in, segui i passaggi descritti in AWS Management ConsoleIndicizzazione vettoriale in Neptune Analytics nella Guida per l'utente di Neptune Analytics.

   Nota

   Per utilizzare Neptune GraphRag, crea un grafico di Neptune Analytics vuoto con un indice di ricerca vettoriale. L'indice di ricerca vettoriale può essere creato solo quando viene creato il grafico. Quando crei un grafico di Neptune Analytics nella console, specifichi la dimensione dell'indice nelle impostazioni di ricerca vettoriale verso la fine del processo.

   Tieni presente le seguenti considerazioni durante la creazione del grafico:

   1. Assegna al grafico un nome a tua scelta.

   2. In Origine dati, scegli Crea grafico vuoto e specifica il numero di m- NCUs da allocare. Ogni m-NCU dispone di circa un GiB di capacità di memoria e di elaborazione e rete corrispondenti.

      Nota

      La capacità del grafico può essere modificata in un secondo momento. Ti consigliamo di iniziare con l'istanza più piccola e successivamente di sceglierne un'altra, se necessario.

   3. Puoi lasciare le impostazioni di connettività di rete predefinite. Amazon Bedrock creerà una connessione di rete al grafico di Neptune Analytics a cui associ la knowledge base. Non è necessario configurare la connettività pubblica o gli endpoint privati per il grafico.

   4. In Impostazioni di ricerca vettoriale, scegli Usa dimensione vettoriale e specifica il numero di dimensioni in ogni vettore.

      Nota

      Il numero di dimensioni in ogni vettore deve corrispondere alle dimensioni vettoriali nel modello di incorporamento. Fate riferimento alla tabella seguente per determinare quante dimensioni deve contenere il vettore:

      Modello	Dimensioni
      TitanIncorporamenti G1 - Testo	1.536
      TitanIncorporamenti V2 - Testo	1.024, 512 e 256
      CohereEmbedInglese	1,024
      CohereEmbedMultilingue	1,024

   5. Lascia tutte le altre impostazioni ai valori predefiniti e crea il grafico.

2. Una volta creato il grafico, fate clic su di esso per prendere nota delle dimensioni Resource ARN e Vector per quando create la knowledge base. Quando scegli il modello di incorporamento in Amazon Bedrock, assicurati di scegliere un modello con le stesse dimensioni delle dimensioni vettoriali che hai configurato sul tuo grafico di Neptune Analytics.

Per impostare un segreto per la tua Pinecone configurazione

1. Segui la procedura descritta in Crea un AWS Secrets Manager segreto, impostando la chiave come chiave apiKey e il valore come chiave API per accedere all'Pineconeindice.

2. Per trovare la chiave API, apri la console Pinecone e seleziona API Keys.

3. Dopo aver creato il segreto, prendi nota dell'ARN della chiave KMS.

4. Allega le autorizzazioni al tuo ruolo di servizio per decrittare l'ARN della chiave KMS seguendo la procedura riportata in Autorizzazioni per decrittografare un AWS Secrets Manager segreto per l'archivio vettoriale contenente la tua knowledge base.

5. Successivamente, quando crei la knowledge base, inserisci l'ARN nel campo ARN del segreto delle credenziali.

Per impostare un segreto per la tua Redis Enterprise Cloud configurazione

1. Consenti al protocollo TLS di utilizzare il tuo database con Amazon Bedrock seguendo i passaggi descritti in Transport Layer Security (TLS).

2. Segui la procedura descritta in Creare un AWS Secrets Manager segreto. Imposta le seguenti chiavi con i valori appropriati della tua Redis Enterprise Cloud configurazione nel segreto:

   • username— Il nome utente per accedere al Redis Enterprise Cloud database. Per trovare il nome utente, consulta la sezione Security del tuo database nella console Redis.

   • password— La password per accedere al Redis Enterprise Cloud database. Per trovare la password, consulta la sezione Security del tuo database nella console Redis.

   • serverCertificate: i contenuti del certificato rilasciato dall'autorità di certificazione Redis Cloud. Scarica il certificato del server dalla console di amministrazione Redis seguendo i passaggi in Download dei certificati.

   • clientPrivateKey: la chiave privata del certificato rilasciato dall'autorità di certificazione Redis Cloud. Scarica il certificato del server dalla console di amministrazione Redis seguendo i passaggi in Download dei certificati.

   • clientCertificate: la chiave pubblica del certificato rilasciato dall'autorità di certificazione Redis Cloud. Scarica il certificato del server dalla console di amministrazione Redis seguendo i passaggi in Download dei certificati.

3. Dopo aver creato il segreto, prendi nota del relativo ARN. Successivamente, quando crei la knowledge base, inserisci l'ARN nel campo ARN del segreto delle credenziali.