Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Mit den Wissensdatenbanken von Amazon Bedrock können Sie proprietäre Informationen in Ihre Generative-KI-Anwendungen integrieren, um Retrieval Augmented Generation () -Lösungen zu erstellen. RAG Eine Wissensdatenbank durchsucht Ihre Daten nach den nützlichsten Informationen und kann diese zur Beantwortung von Fragen in natürlicher Sprache verwenden.
Anmerkung
Sie können keine Wissensdatenbank mit einem Root-Benutzer erstellen. Melden Sie sich mit einem IAM Benutzer an, bevor Sie mit diesen Schritten beginnen.
Wenn Sie eine Wissensdatenbank erstellen, richten Sie die Konfigurationen und Berechtigungen der Wissensdatenbank ein, wählen eine Datenquelle aus, zu der Sie eine Verbindung herstellen möchten, das Einbettungsmodell, um die Daten in Einbettungen zu konvertieren, und den Vektorspeicher, in dem die Vektoreinbettungen gespeichert werden. Wählen Sie die Registerkarte für Ihre bevorzugte Methode und folgen Sie dann den Schritten:
Um die Konfigurationen und Berechtigungen für eine Wissensdatenbank einzurichten
-
Melden Sie sich als Benutzer mit IAM Amazon Bedrock-Berechtigungen an und öffnen Sie die Amazon Bedrock-Konsole AWS Management Console unter. https://console.aws.amazon.com/bedrock/
-
Wählen Sie im linken Navigationsbereich Wissensdatenbanken aus.
-
Wählen Sie im Abschnitt Wissensdatenbanken die Schaltfläche Erstellen aus.
-
(Optional) Ändern Sie den Standardnamen und geben Sie eine Beschreibung für Ihre Wissensdatenbank ein.
-
Wählen Sie eine Rolle AWS Identity and Access Management (IAM), die Amazon Bedrock die Erlaubnis erteilt, auf andere erforderliche AWS Dienste zuzugreifen. Sie können Amazon Bedrock die Servicerolle erstellen lassen oder eine benutzerdefinierte Rolle auswählen, die Sie erstellt haben.
-
Wählen Sie eine Datenquelle aus, mit der Sie Ihre Wissensdatenbank verbinden möchten.
-
(Optional) Fügen Sie Ihrer Wissensdatenbank Tags hinzu. Weitere Informationen finden Sie unter Taggen von Amazon Bedrock-Ressourcen.
-
(Optional) Konfigurieren Sie Dienste, für die Aktivitätsprotokolle für Ihre Wissensdatenbank bereitgestellt werden sollen.
-
Gehen Sie zum nächsten Abschnitt und folgen Sie den Schritten unterConnect eine Datenquelle mit Ihrer Wissensdatenbank, um eine Datenquelle zu konfigurieren.
-
Wählen Sie ein Einbettungsmodell aus, um Ihre Daten in Vektoreinbettungen umzuwandeln.
-
(Optional) Erweitern Sie den Abschnitt Zusätzliche Konfigurationen, um die folgenden Konfigurationsoptionen anzuzeigen (nicht alle Modelle unterstützen alle Konfigurationen):
-
Einbettungstyp — Gibt an, ob die Daten in Gleitkomma-Vektor-Einbettungen (Float32) (genauer, aber teurer) oder binäre Vektor-Einbettungen (weniger präzise, aber kostengünstiger) konvertiert werden sollen. Informationen darüber, welche Einbettungsmodelle binäre Vektoren unterstützen, finden Sie unter Unterstützte Einbettungsmodelle.
-
Vektorabmessungen — Höhere Werte verbessern die Genauigkeit, erhöhen jedoch die Kosten und die Latenz.
-
-
Wählen Sie einen Vektorspeicher aus, um die Vektoreinbettungen zu speichern, die für die Abfrage verwendet werden. Ihnen stehen folgende Optionen zur Verfügung:
-
Schnelles Erstellen eines neuen Vektorspeichers — wählen Sie einen der verfügbaren Vektorspeicher aus, den Amazon Bedrock erstellen soll.
-
Amazon OpenSearch Serverless — Amazon Bedrock Knowledge Bases erstellt eine Amazon OpenSearch Serverless-Vektorsuchsammlung und einen Index und konfiguriert sie mit den erforderlichen Feldern für Sie.
-
Amazon Aurora Postgre SQL Serverless — Amazon Bedrock richtet einen Amazon Aurora Postgre SQL Serverless Vector Store ein. Dieser Prozess nimmt unstrukturierte Textdaten aus einem Amazon S3 S3-Bucket, wandelt sie in Textblöcke und Vektoren um und speichert sie dann in einer Postgre-Datenbank. SQL Weitere Informationen finden Sie unter Schnelles Erstellen einer Aurora SQL Postgre-Wissensdatenbank für Amazon Bedrock.
-
Amazon Neptune Analytics — Amazon Bedrock verwendet Retrieval Augmented Generation (RAG) -Techniken in Kombination mit Grafiken, um generative KI-Anwendungen zu verbessern, sodass Endbenutzer genauere und umfassendere Antworten erhalten können.
-
-
Wählen Sie einen von Ihnen erstellten Vektorspeicher aus — Wählen Sie einen unterstützten Vektorspeicher aus und identifizieren Sie die Vektorfeld- und Metadatenfeldnamen im Vektorindex. Weitere Informationen finden Sie unter Voraussetzungen für einen eigenen Vector Store für eine Wissensdatenbank.
Anmerkung
Wenn es sich bei Ihrer Datenquelle um eine Confluence-, Microsoft SharePoint - oder Salesforce-Instance handelt, ist Amazon OpenSearch Serverless der einzige unterstützte Vector Store-Service.
-
-
Wenn Ihre Datenquelle Bilder enthält, geben Sie einen Amazon S3 an, URI in dem die Bilder gespeichert werden sollen, die der Parser aus den Daten extrahiert. Die Bilder können während der Abfrage zurückgegeben werden.
Anmerkung
Multimodale Daten werden nur mit Amazon S3 und benutzerdefinierten Datenquellen unterstützt.
-
Überprüfen Sie die Details Ihrer Wissensdatenbank. Sie können jeden Abschnitt bearbeiten, bevor Sie mit der Erstellung Ihrer Wissensdatenbank fortfahren.
Anmerkung
Die Zeit, die für die Erstellung der Wissensdatenbank benötigt wird, hängt von Ihren spezifischen Konfigurationen ab. Wenn die Erstellung der Wissensdatenbank abgeschlossen ist, ändert sich der Status der Wissensdatenbank entweder in den Status „Bereit“ oder „Verfügbar“.
Sobald Ihre Wissensdatenbank fertig und verfügbar ist, synchronisieren Sie Ihre Datenquelle zum ersten Mal und wann immer Sie Ihre Inhalte auf dem neuesten Stand halten möchten. Wählen Sie Ihre Wissensdatenbank in der Konsole aus und klicken Sie im Bereich Datenquellenübersicht auf Synchronisieren.
Themen
