Amazon Nova を使用した RAG システムの構築

検索拡張生成 (RAG) は、レスポンスを生成する前に、トレーニングデータソースの外部にある信頼できるナレッジベースを参照することで、大規模言語モデル (LLM) の出力を最適化します。このアプローチは、モデルに最新の情報を提供し、ドメイン固有のデータまたは所有データに基づいて構築するのに役立ちます。また、特定のコンテンツへのアクセスコントロールを設定し、レスポンスの問題をトラブルシューティングするために使用できる、制御可能な情報源も提供します。

RAG は、リトリーバーを介してジェネレーター (多くの場合 LLM) をコンテンツデータベース (ナレッジストアなど) に接続することで機能します。リトリーバーは関連情報を見つける役割があります。ほとんどのエンタープライズアプリケーションでは、コンテンツデータベースはベクトルストア、リトリーバーは埋め込みモデル、ジェネレーターは LLM です。詳細については、「検索拡張生成」と「Bedrock ナレッジベース」を参照してください。

RAG システムには複数のコンポーネントがあります。このガイドでは、あらゆる RAG システムで Amazon Nova を LLM として使用する方法に焦点を当てています。

Amazon Nova モデルを Text RAG システム内の LLM として使用できます。Amazon Nova モデルを使用すると、Amazon Bedrock ナレッジベースで RAG システムを構築するのも、独自の RAG システムを構築するのも柔軟に行えます。また、ナレッジベースを Amazon Bedrock エージェント内の エージェントに関連付けて、エージェントに RAG 機能を追加することもできます。詳細については、「会話エージェントを使用してアプリケーションのタスクを自動化する」を参照してください。