Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utilisation de l'IA agentique avec DynamoDB

Amazon DynamoDB est une base de données NoSQL distribuée, entièrement gérée et sans serveur offrant des performances en millisecondes à n'importe quelle échelle. DynamoDB est optimisé pour les charges de travail à haut débit et vous pouvez étendre ses fonctionnalités en l’intégrant à des modèles d’IA générative. À l’aide de modèles d’IA générative, vous pouvez travailler avec les données stockées dans des tables DynamoDB en temps réel et créer des applications adaptées au contexte et hautement personnalisées. Vous pouvez également améliorer l’expérience de l’utilisateur final en exploitant pleinement les données de votre entreprise, de vos utilisateurs et de vos applications pour personnaliser vos solutions d’IA générative.

Pour plus d'informations sur l'IA de génération et les solutions proposées AWS pour créer des applications d'IA de génération, consultez Transformez votre entreprise grâce à l'IA générative.

DynamoDB propose également une recherche vectorielle native via des index vectoriels, ce qui vous permet de stocker des intégrations vectorielles en même temps que vos données opérationnelles et d'exécuter des recherches de similarité avec l'SearchVectorsAPI, sans disposer d'une base de données vectorielle distincte. Pour de plus amples informations, veuillez consulter Utilisation d'index vectoriels dans DynamoDB.

Cas d’utilisation de l’IA générative pour DynamoDB

DynamoDB est largement utilisé dans les applications conversationnelles basées sur l’IA, telles que les chatbots et les centres d’appels basés sur un modèle de fondation (FM). Vous pouvez accéder à FM via Amazon Bedrock, Amazon SageMaker AI ou d'autres fournisseurs de modèles. Ces applications utilisent généralement DynamoDB pour améliorer la personnalisation et l’expérience utilisateur selon trois modèles de données : les données d’application, les données métier et les données utilisateur. Voici quelques exemples de ces modèles de données :

Par exemple, une compagnie d'assurance peut créer un chatbot à l'aide de DynamoDB pour fournir à son modèle d'IA de Retrieval-Augmented génération (RAG) un accès à des données en temps quasi réel. Les taux hypothécaires en temps réel, les prix des produits, la copie du compliant/standard contrat, l'historique Web des utilisateurs et les préférences des utilisateurs en sont des exemples. La combinaison de DynamoDB et de RAG permet d’obtenir des informations détaillées et actualisées sur les produits d’assurance et les données utilisateur. Cela enrichit les invites et les réponses pour offrir aux utilisateurs finaux une expérience précise, personnalisée et en temps quasi réel.

De même, les clients du secteur des services financiers utilisent DynamoDB, les bases de connaissances Amazon Bedrock et les agents Amazon Bedrock pour créer RAG-based des applications d'IA de nouvelle génération. Ces applications peuvent utiliser des rapports de revenus open source et des transcriptions d’appels. Elles peuvent également utiliser l’historique de portefeuille et de transaction spécifique à l’utilisateur pour générer un résumé du portefeuille à la demande, y compris des perspectives pour le futur.

Recherche vectorielle pour RAG et mémoire d'agent

Les applications d'IA générative extraient le contexte par son sens : une application RAG trouve les documents les plus pertinents par rapport à une invite, et un agent d'IA se souvient de souvenirs similaires à ceux de la conversation en cours. Les index vectoriels apportent cette fonctionnalité de manière native à DynamoDB. Vous stockez les intégrations vectorielles sous forme d'attributs sur les éléments de votre tableau, et l'SearchVectorsAPI renvoie les éléments les plus similaires à un vecteur de requête, classés par score de similarité. Les données qu'une application écrit sont celles qu'elle recherche. Il n'y a donc pas de base de données vectorielle distincte à provisionner ni de pipeline de réplication à gérer.

Vous pouvez également définir une clé de partition dans le schéma de recherche d'un index vectoriel. Chaque recherche de similarité est ensuite limitée à une seule valeur de clé de partition, telle qu'un ID de locataire, un ID utilisateur ou un ID de session d'agent. Les index vectoriels sont donc parfaitement adaptés au RAG multi-tenant et à la mémoire d'agent par utilisateur.

Pour commencer à utiliser les index vectoriels, consultez les rubriques suivantes :

Blogs sur l’IA générative pour DynamoDB

Les articles suivants proposent des cas d'utilisation détaillés, des meilleures pratiques et des guides étape par étape pour vous aider à tirer parti des fonctionnalités de DynamoDB lors de la création d'applications avancées AI-powered.