Creazione di sistemi RAG con Amazon Nova

La generazione potenziata da recupero dati (RAG) ottimizza l’output di un modello linguistico di grandi dimensioni (LLM) facendo riferimento a una base di conoscenze autorevole al di fuori delle relative origini dati di addestramento prima che generi una risposta. Questo approccio aiuta a fornire al modello informazioni aggiornate e a basarle su dati proprietari o specifici del dominio. Fornisce inoltre una fonte di informazioni controllabile, che puoi utilizzare per impostare i controlli di accesso a contenuti specifici e risolvere i problemi nelle risposte.

RAG funziona collegando un generatore (spesso un LLM) a un database di contenuti (come un archivio di conoscenze) tramite uno strumento di recupero. Lo strumento di recupero è responsabile della ricerca delle informazioni pertinenti. Nella maggior parte delle applicazioni aziendali, il database dei contenuti è un archivio vettoriale, lo strumento di recupero è un modello di embedding e il generatore è un LLM. Per ulteriori informazioni, consulta Retrieval Augmented Generation e Bedrock Knowledge Bases.

Un sistema RAG dispone di diversi componenti. Questa guida si concentra su come utilizzare Amazon Nova come LLM in qualsiasi sistema RAG.

Puoi utilizzare i modelli Amazon Nova come LLM all’interno di un sistema RAG di testo. Con i modelli Amazon Nova, hai la flessibilità necessaria per creare un sistema RAG con Amazon Bedrock Knowledge base o creare il tuo sistema RAG. Puoi anche associare la tua knowledge base a un agente in Agenti di Amazon Bedrock per aggiungere funzionalità RAG all’agente. Per ulteriori informazioni, consulta Automate tasks in your application using conversational agents.