멀티모달 콘텐츠에 대한 지식 기반 생성

콘솔에서 멀티모달 지식 기반을 생성하려면

1. Amazon Bedrock 콘솔을 사용할 권한이 있는 IAM 자격 증명AWS Management 콘솔으로에 로그인합니다. 그 다음 https://console.aws.amazon.com/bedrock에서 Amazon Bedrock 콘솔을 엽니다.

2. 왼쪽 탐색 창에서 지식 기반을 선택합니다.

3. 지식 기반 섹션에서 생성을 선택한 다음 벡터 저장소가 있는 지식 기반을 선택합니다.

4. (선택 사항) 지식 기반 세부 정보 섹션에서 지식 기반의 기본 이름을 변경하고 설명을 제공합니다.

5. IAM 권한 섹션에서 다른 필수 AWS 서비스에 액세스할 수 있는 권한을 Amazon Bedrock에 제공하는 IAM 역할을 선택합니다. Amazon Bedrock에서 서비스 역할을 생성하도록 하거나 자체 사용자 지정 역할을 사용하도록 선택할 수 있습니다. 멀티모달 권한은 섹션을 참조하세요멀티모달 콘텐츠에 대한 권한.

6. Amazon S3를 데이터 소스로 선택하고 다음을 선택하여 데이터 소스를 구성합니다.

   참고

   지식 기반 생성 중에 Amazon S3 데이터 소스를 최대 5개까지 추가할 수 있습니다. 지식 기반이 생성된 후 추가 데이터 소스를 추가할 수 있습니다.

7. 멀티모달 콘텐츠가 포함된 버킷의 S3 URI를 제공하고 필요한 경우 포함 접두사를 구성합니다. 포함 접두사는 수집되는 콘텐츠를 제한하는 데 사용할 수 있는 폴더 경로입니다.

8. 청킹 및 구문 분석 구성에서 구문 분석 전략을 선택합니다.

   • Bedrock 기본 구문 분석기: 텍스트 전용 콘텐츠 처리에 권장됩니다. 이 구문 분석기는 멀티모달 파일을 무시하면서 일반적인 텍스트 형식을 처리합니다. Word, Excel, HTML, Markdown, TXT 및 CSV 파일을 포함한 텍스트 문서를 지원합니다.

   • Bedrock Data Automation(BDA): 멀티모달 콘텐츠를 검색 가능한 텍스트 표현으로 변환합니다. PDFs, 이미지, 오디오 및 비디오 파일을 처리하여 텍스트를 추출하고, 시각적 콘텐츠에 대한 설명을 생성하고, 오디오 및 비디오 콘텐츠에 대한 트랜스크립션을 생성합니다.

   • 파운데이션 모델 구문 분석기: 복잡한 문서 구조를 위한 고급 구문 분석 기능을 제공합니다. PDFs, 이미지, 구조화된 문서, 테이블 및 시각적으로 풍부한 콘텐츠를 처리하여 텍스트를 추출하고 시각적 요소에 대한 설명을 생성합니다.

9. 다음을 선택하고 임베딩 모델 및 멀티모달 처리 접근 방식을 선택합니다.

   • Amazon Nova Multimodal Embeddings V1.0: 직접 시각적 객체 및 오디오 유사성 검색을 위해 Amazon Nova 임베딩 V1.0을 선택합니다. 콘텐츠가 세그먼트화되는 방식을 제어하도록 오디오 및 비디오 청크 지속 시간(1~30초, 기본값 5초)을 구성합니다.

     참고

     오디오 및 비디오 청킹 파라미터는 데이터 소스 수준이 아닌 임베딩 모델 수준에서 구성됩니다. 비멀티모달 임베딩 모델에 대해이 구성을 제공하는 경우 검증 예외가 발생합니다. 콘텐츠가 세그먼트화되는 방식을 제어하도록 오디오 및 비디오 청크 지속 시간(기본값: 5초, 범위: 1~30초)을 구성합니다. 청크가 짧을수록 정확한 콘텐츠 검색이 가능하지만 청크가 길수록 의미론적 컨텍스트가 더 많이 보존됩니다.

     중요

     Amazon Nova 임베딩 v1.0은 오디오/비디오 데이터에서 음성 콘텐츠를 검색할 수 있는 지원이 제한적입니다. 음성을 지원해야 하는 경우 Bedrock Data Automation을 구문 분석기로 사용합니다.

   • BDA를 사용한 텍스트 임베딩: BDA 처리를 사용할 때 텍스트 임베딩 모델(예: Titan Text Embeddings v2)을 선택합니다. 텍스트 임베딩 모델은 텍스트 전용 콘텐츠로 검색을 제한하지만 Amazon Bedrock 데이터 자동화 또는 파운데이션 모델을 파서로 선택하여 멀티모달 검색을 활성화할 수 있습니다.

     참고

     Nova 멀티모달 임베딩과 함께 BDA 구문 분석기를 사용하는 경우 Amazon Bedrock 지식 기반은 먼저 BDA 구문 분석을 사용합니다. 이 경우 BDA가 이를 텍스트 표현으로 변환하므로 임베딩 모델은 이미지, 오디오 및 비디오에 대한 네이티브 멀티모달 임베딩을 생성하지 않습니다.

10. Nova 멀티모달 임베딩을 사용하는 경우, 처리된 파일이 검색을 위해 저장될 Amazon S3 버킷을 지정하여 멀티모달 스토리지 대상을 구성합니다. 지식 기반은 쉽게 액세스할 수 있도록 .bda 폴더가 생성된 단일 Amazon S3 버킷에 구문 분석된 이미지를 저장합니다.

    수명 주기 정책 권장 사항

    Nova 멀티모달 임베딩을 사용하는 경우 Amazon Bedrock은 임시 데이터를 멀티모달 스토리지 대상에 저장하고 처리가 완료된 후 삭제를 시도합니다. 적절한 정리를 위해 임시 데이터 경로에 수명 주기 정책을 적용하는 것이 좋습니다. 자세한 지침은 Amazon S3 수명 주기 정책을 사용하여 임시 데이터 관리 섹션을 참조하세요.

11. 벡터 데이터베이스 섹션에서 벡터 저장소 방법을 선택하고 선택한 임베딩 모델에 따라 적절한 차원을 구성합니다.

12. 다음을 선택하고 지식 기반 구성의 세부 정보를 검토한 다음 지식 기반 생성을 선택합니다.

를 사용하여 멀티모달 지식 기반을 생성하려면AWS CLI

• Nova 멀티모달 임베딩을 사용하여 지식 기반을 생성합니다. CreateKnowledgeBase 요청 전송:

  aws bedrock-agent create-knowledge-base \
  --cli-input-json file://kb-nova-mme.json

  의 내용kb-nova-mme.json(자리 표시자 값을 특정 구성으로 대체):

  {
      "knowledgeBaseConfiguration": {
          "vectorKnowledgeBaseConfiguration": {
              "embeddingModelArn": "arn:aws:bedrock:us-east-1::foundation-model/amazon.nova-2-multimodal-embeddings-v1:0",
              "supplementalDataStorageConfiguration": {
                  "storageLocations": [
                      {
                          "type": "S3",
                          "s3Location": {
                              "uri": "s3://<multimodal-storage-bucket>/"
                          }
                      }
                  ]
              }
          },
          "type": "VECTOR"
      },
      "storageConfiguration": {
          "opensearchServerlessConfiguration": {
              "collectionArn": "arn:aws:aoss:us-east-1:<account-id>:collection/<collection-id>",
              "vectorIndexName": "<index-name>",
              "fieldMapping": {
                  "vectorField": "<vector-field>",
                  "textField": "<text-field>",
                  "metadataField": "<metadata-field>"
              }
          },
          "type": "OPENSEARCH_SERVERLESS"
      },
      "name": "<knowledge-base-name>",
      "description": "Multimodal knowledge base with Nova Multimodal Embeddings"
  }

  다음과 같이 자리 표시자를 바꿉니다.

  • <multimodal-storage-bucket> - 멀티모달 파일을 저장하기 위한 S3 버킷

  • <account-id> - AWS 계정 ID

  • <collection-id> - OpenSearch Serverless 컬렉션 ID

  • <index-name> - OpenSearch 컬렉션의 벡터 인덱스 이름(선택한 임베딩 모델에 적합한 차원으로 구성됨)

  • <vector-field> - 임베딩 저장을 위한 필드 이름

  • <text-field> - 텍스트 콘텐츠 저장을 위한 필드 이름

  • <metadata-field> - 메타데이터 저장을 위한 필드 이름