Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Prasyarat untuk menggunakan penyimpanan vektor yang Anda buat untuk basis pengetahuan
Untuk menyimpan embeddings vektor tempat dokumen Anda dikonversi, Anda menggunakan penyimpanan vektor. Pangkalan Pengetahuan Amazon Bedrock mendukung alur pembuatan cepat untuk beberapa penyimpanan vektor, jadi jika Anda lebih suka Amazon Bedrock secara otomatis membuat indeks vektor untuk Anda di salah satu penyimpanan vektor tersebut, lewati prasyarat ini dan lanjutkan ke. [Buat basis pengetahuan dengan menghubungkan ke sumber data di Amazon Bedrock Knowledge Bases](knowledge-base-create.md)
Jika Anda ingin menyimpan embeddings vektor biner alih-alih embeddings vektor floating-point (float32) standar, maka Anda harus menggunakan penyimpanan vektor yang mendukung vektor biner.
**catatan**
Amazon OpenSearch Serverless dan Amazon OpenSearch Managed cluster adalah satu-satunya penyimpanan vektor yang mendukung penyimpanan vektor biner.
Anda dapat mengatur penyimpanan vektor Anda sendiri yang didukung untuk mengindeks representasi embeddings vektor data Anda. Anda membuat bidang untuk data berikut:
+ Bidang untuk vektor yang dihasilkan dari teks di sumber data Anda dengan model embeddings yang Anda pilih.
+ Bidang untuk potongan teks yang diekstrak dari file di sumber data Anda.
+ Bidang untuk metadata file sumber yang dikelola Amazon Bedrock.
+ (Jika Anda menggunakan database Amazon Aurora dan ingin mengatur [pemfilteran pada metadata) Bidang untuk metadata](kb-test-config.md) yang Anda kaitkan dengan file sumber Anda. Jika Anda berencana untuk mengatur pemfilteran di toko vektor lain, Anda tidak perlu menyiapkan bidang ini untuk pemfilteran.
Anda dapat mengenkripsi toko vektor pihak ketiga dengan kunci KMS. Untuk informasi selengkapnya, lihat [Enkripsi sumber daya basis pengetahuan](https://docs.aws.amazon.com/bedrock/latest/userguide/encryption-kb.html).
Pilih tab yang sesuai dengan layanan penyimpanan vektor yang akan Anda gunakan untuk membuat indeks vektor Anda.
**catatan**
Pilihan model embeddings dan dimensi vektor Anda dapat memengaruhi pilihan penyimpanan vektor yang tersedia. Jika Anda tidak dapat menggunakan penyimpanan vektor pilihan Anda, pilih opsi yang kompatibel model embeddings dan dimensi vektor.
------
#### [ Amazon OpenSearch Serverless ]
1. Untuk mengonfigurasi izin dan membuat koleksi pencarian vektor di Amazon OpenSearch Tanpa Server di Konsol Manajemen AWS, ikuti langkah 1 dan 2 di [Bekerja dengan koleksi pencarian vektor di Panduan Pengembang](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vector-search.html) OpenSearch Layanan Amazon. Perhatikan pertimbangan berikut saat menyiapkan koleksi Anda:
1. Berikan koleksi nama dan deskripsi pilihan Anda.
1. Untuk membuat koleksi Anda pribadi, pilih **Standard create** for the **Security**. Kemudian, di bagian **Pengaturan akses jaringan**, pilih **VPC** sebagai **jenis Akses** dan pilih titik akhir VPC. Untuk informasi selengkapnya tentang menyiapkan titik akhir VPC untuk koleksi Amazon OpenSearch Tanpa Server, lihat Mengakses [Amazon OpenSearch Tanpa Server menggunakan titik akhir antarmuka ()AWS PrivateLink](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vpc.html) di Panduan Pengembang Layanan Amazon. OpenSearch
1. Setelah koleksi dibuat, perhatikan **ARN Koleksi** saat Anda membuat basis pengetahuan.
1. Di panel navigasi kiri, pilih **Koleksi di bawah Tanpa** **Server**. Kemudian pilih koleksi pencarian vektor Anda.
1. Pilih tab **Indeks**. Kemudian pilih **Buat indeks vektor**.
1. Di bagian **Detail indeks vektor**, masukkan nama untuk indeks Anda di bidang **nama indeks vektor**.
1. Di bagian **Bidang vektor**, pilih **Tambahkan bidang vektor**. Amazon Bedrock menyimpan embeddings vektor untuk sumber data Anda di bidang ini. Berikan konfigurasi berikut:
+ **Nama bidang vektor** — Berikan nama untuk bidang (misalnya,**embeddings**).
+ **Mesin — Mesin** vektor yang digunakan untuk pencarian. Pilih **Faiss**.
+ **Dimensi** — Jumlah dimensi dalam vektor. Lihat tabel berikut untuk menentukan berapa banyak dimensi yang harus dikandung vektor:
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
+ **Metrik jarak** — Metrik yang digunakan untuk mengukur kesamaan antara vektor. Kami merekomendasikan penggunaan **Euclidean** untuk penyambungan vektor floating-point.
1. Perluas bagian **manajemen Metadata** dan tambahkan dua bidang untuk mengonfigurasi indeks vektor untuk menyimpan metadata tambahan yang dapat diambil oleh basis pengetahuan dengan vektor. Tabel berikut menjelaskan bidang dan nilai yang akan ditentukan untuk setiap bidang:
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
1. Catat nama yang Anda pilih untuk nama indeks vektor, nama bidang vektor, dan nama bidang pemetaan manajemen metadata saat Anda membuat basis pengetahuan. Lalu pilih **Buat**.
Setelah indeks vektor dibuat, Anda dapat melanjutkan untuk [membuat basis pengetahuan Anda](knowledge-base-create.md). Tabel berikut merangkum di mana Anda akan memasukkan setiap informasi yang Anda catat.
| Bidang | Bidang yang sesuai dalam pengaturan basis pengetahuan (Konsol) | Bidang yang sesuai dalam pengaturan basis pengetahuan (API) | Deskripsi |
| --- | --- | --- | --- |
| Koleksi ARN | Koleksi ARN | CollectionARN | Nama Sumber Daya Amazon (ARN) dari koleksi pencarian vektor. |
| Nama indeks vektor | Nama indeks vektor | vectorIndexName | Nama indeks vektor. |
| Nama bidang vektor | Bidang vektor | VectorField | Nama bidang tempat menyimpan embeddings vektor untuk sumber data Anda. |
| Manajemen metadata (bidang pemetaan pertama) | Bidang teks | TextField | Nama bidang untuk menyimpan teks mentah dari sumber data Anda. |
| Manajemen metadata (bidang pemetaan kedua) | Bidang metadata yang dikelola batuan dasar | MetaDataField | Nama bidang tempat menyimpan metadata yang dikelola Amazon Bedrock. |
Untuk dokumentasi lebih rinci tentang menyiapkan penyimpanan vektor di Amazon OpenSearch Tanpa Server, lihat [Bekerja dengan koleksi pencarian vektor di Panduan](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vector-search.html) Pengembang OpenSearch Layanan Amazon.
------
#### [ Amazon OpenSearch Service Managed Clusters ]
**penting**
Sebelum menggunakan sumber daya domain apa pun di kluster OpenSearch Terkelola, Anda perlu mengonfigurasi izin dan kebijakan akses IAM tertentu. Untuk informasi selengkapnya, lihat [Prasyarat dan izin yang diperlukan untuk menggunakan OpenSearch Kluster Terkelola dengan Pangkalan Pengetahuan Amazon BedrockIkhtisar konfigurasi izin](kb-osm-permissions-prereq.md).
Jika Anda mengalami kegagalan konsumsi data, ini mungkin menunjukkan kapasitas OpenSearch domain yang tidak mencukupi. Untuk mengatasi masalah ini, tingkatkan kapasitas domain Anda dengan menyediakan IOPS yang lebih tinggi dan dengan meningkatkan pengaturan throughput. Untuk informasi selengkapnya, lihat [Praktik terbaik operasional untuk OpenSearch Layanan Amazon](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/bp.html).
1. Untuk membuat indeks domain dan vektor di OpenSearch Cluster Konsol Manajemen AWS, ikuti langkah-langkah yang dijelaskan dalam [Membuat dan mengelola domain OpenSearch Layanan](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/createupdatedomains.html) di *Panduan Pengembang OpenSearch Layanan Amazon*.
Perhatikan pertimbangan berikut saat menyiapkan domain Anda:
1. Berikan nama domain pilihan Anda.
1. Kami menyarankan Anda menggunakan opsi **Easy create** untuk memulai dengan cepat dengan membuat domain Anda.
**catatan**
Opsi ini memberi Anda domain dengan throughput rendah. Jika Anda memiliki beban kerja yang lebih besar yang memerlukan throughput lebih tinggi, pilih opsi **Buat Standar**. Anda dapat menyesuaikan kapasitas nanti sesuai kebutuhan. Dengan opsi ini, Anda dapat mulai dengan kapasitas terendah, yang kemudian dapat dimodifikasi nanti sesuai kebutuhan.
1. Untuk Jaringan, Anda harus memilih **Akses publik**. OpenSearch domain yang berada di belakang VPC tidak didukung untuk Basis Pengetahuan Anda.
1. Untuk **Versi**, jika Anda menggunakan embeddings vektor biner, Amazon Bedrock Knowledge Bases memerlukan versi Engine 2.16 atau yang lebih baru. Selain itu, versi 2.13 atau lebih tinggi diperlukan untuk membuat indeks k-nn. Untuk informasi selengkapnya, lihat [Penelusuran K-NN](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/knn.html) di panduan *pengembang OpenSearch Layanan Amazon*.
1. Kami menyarankan Anda menggunakan mode **Dual-stack**.
1. Kami menyarankan Anda mengaktifkan **kontrol akses berbutir halus** untuk melindungi data di domain Anda, dan lebih lanjut mengontrol izin yang memberikan akses peran layanan basis Pengetahuan Anda ke domain dan membuat permintaan. OpenSearch
1. Biarkan semua pengaturan lain ke nilai defaultnya dan pilih **Buat** untuk membuat domain Anda.
1. Setelah domain dibuat, klik untuk mencatat **ARN Domain** dan **titik akhir Domain** saat Anda membuat basis pengetahuan.
1. Setelah membuat domain, Anda dapat membuat indeks vektor dengan menjalankan perintah berikut di OpenSearch dasbor atau menggunakan perintah curl. Lihat informasi yang lebih lengkap dalam [dokumentasi OpenSearch ](https://opensearch.org/docs/latest/search-plugins/knn/knn-index/).
Saat menjalankan perintah:
+ Berikan nama untuk bidang vektor (misalnya,**embeddings**).
+ Pastikan bahwa vektor yang digunakan untuk pencarian adalah **faiss**. **nmslib** tidak didukung.
+ Untuk jumlah dimensi dalam vektor, lihat tabel berikut untuk menentukan berapa banyak dimensi yang harus dikandung vektor:
**catatan**
Titan V2 Embeddings - Model teks mendukung banyak dimensi. Bisa juga 256 atau 512.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
+ Anda dapat menambahkan dua bidang untuk mengonfigurasi indeks vektor untuk menyimpan metadata tambahan yang dapat diambil oleh basis pengetahuan dengan vektor. Tabel berikut menjelaskan bidang dan nilai yang akan ditentukan untuk masing-masing bidang.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
```
PUT /
{
"settings": {
"index": {
"knn": true
}
},
"mappings": {
"properties": {
"": {
"type": "knn_vector",
"dimension": ,
"data_type": "binary", # Only needed for binary embeddings
"space_type": "l2" | "hamming", # Use l2 for float embeddings and hamming for binary embeddings
"method": {
"name": "hnsw",
"engine": "faiss",
"parameters": {
"ef_construction": 128,
"m": 24
}
}
},
"AMAZON_BEDROCK_METADATA": {
"type": "text",
"index": "false"
},
"AMAZON_BEDROCK_TEXT_CHUNK": {
"type": "text",
"index": "true"
}
}
}
}
```
1. Catat ARN domain dan titik akhir, dan nama yang Anda pilih untuk nama indeks vektor, nama bidang vektor, dan nama bidang pemetaan manajemen metadata saat Anda membuat basis pengetahuan Anda.
Setelah indeks vektor dibuat, Anda dapat melanjutkan untuk [membuat basis pengetahuan Anda](knowledge-base-create.md). Tabel berikut merangkum di mana Anda akan memasukkan setiap informasi yang Anda catat.
| Bidang | Bidang yang sesuai dalam pengaturan basis pengetahuan (Konsol) | Bidang yang sesuai dalam pengaturan basis pengetahuan (API) | Deskripsi |
| --- | --- | --- | --- |
| Domain ARN | Domain ARN | DomainARN | Nama Sumber Daya Amazon (ARN) dari domain. OpenSearch |
| Titik akhir domain | Titik akhir domain | DomainEndPoint | Endpoint untuk terhubung ke OpenSearch domain. |
| Nama indeks vektor | Nama indeks vektor | vectorIndexName | Nama indeks vektor. |
| Nama bidang vektor | Bidang vektor | VectorField | Nama bidang tempat menyimpan embeddings vektor untuk sumber data Anda. |
| Manajemen metadata (bidang pemetaan pertama) | Bidang teks | TextField | Nama bidang untuk menyimpan teks mentah dari sumber data Anda. |
| Manajemen metadata (bidang pemetaan kedua) | Bidang metadata yang dikelola batuan dasar | MetaDataField | Nama bidang tempat menyimpan metadata yang dikelola Amazon Bedrock. |
------
#### [ Amazon S3 Vectors ]
Vektor Amazon S3 menyediakan penyimpanan vektor hemat biaya di Amazon S3 yang dapat digunakan untuk menyimpan dan menanyakan data vektor. Ini menyediakan penyimpanan kumpulan data vektor besar yang tahan lama dan elastis dengan kinerja kueri sub-detik. Vektor Amazon S3 paling cocok untuk beban kerja kueri yang jarang terjadi, dan dapat membantu mengurangi biaya saat digunakan dalam pengambilan augmented generation (RAG) dan aplikasi pencarian semantik.
Vektor Amazon S3 memperkenalkan bucket vektor S3, yang berisi indeks vektor yang dapat Anda kueri berdasarkan makna dan kesamaan semantik. Ini dapat digunakan untuk mengirimkan waktu respons kueri sub-detik dan mengurangi biaya saat menyimpan, mengakses, dan menanyakan data vektor dalam skala besar tanpa menyediakan infrastruktur apa pun. Di dalam bucket vektor, Anda dapat mengatur data vektor Anda dalam indeks vektor. Ember vektor Anda dapat memiliki beberapa indeks vektor. Untuk informasi selengkapnya, lihat [Vektor Amazon S3 di Panduan](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html) Pengguna *Amazon* S3.
**catatan**
Anda dapat membuat basis pengetahuan untuk Vektor Amazon S3 di semua Wilayah AWS tempat Amazon Bedrock dan Amazon S3 Vektor tersedia. *Untuk informasi tentang ketersediaan regional Vektor Amazon S3, lihat Vektor Amazon S3 [di Panduan Pengguna Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html).*
Saat menggunakan jumlah token yang sangat tinggi dengan potongan hierarkis di Pangkalan Pengetahuan Batuan Dasar Amazon, Anda dapat melebihi batas ukuran metadata maksimum karena hubungan potongan induk-anak dan konteks hierarkis disimpan sebagai metadata yang tidak dapat difilter di Vektor Amazon S3. Untuk informasi selengkapnya tentang batas ukuran metadata per vektor, lihat [Batasan dan pembatasan](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-limitations.html) di Panduan Pengguna *Amazon S3*. Untuk informasi tentang strategi chunking, lihat. [Bagaimana content chunking bekerja untuk basis pengetahuan](kb-chunking.md)
**Dukungan metadata**
Anda dapat melampirkan metadata sebagai pasangan nilai kunci ke setiap vektor. Secara default, metadata dapat difilter dan dapat digunakan dalam kueri pencarian kesamaan untuk memfilter berdasarkan kondisi seperti tanggal, kategori, atau preferensi pengguna.
Anda juga dapat mengonfigurasi metadata agar tidak dapat difilter saat membuat indeks vektor. Indeks vektor Amazon S3 mendukung jenis string, boolean, dan nomor.
Saat menggunakan Vektor Amazon S3 dengan Pangkalan Pengetahuan Amazon Bedrock, Anda dapat melampirkan metadata kustom hingga 1 KB (termasuk metadata yang dapat difilter dan tidak dapat difilter) dan 35 kunci metadata per vektor. Untuk informasi selengkapnya tentang batas ukuran metadata per vektor, lihat [Batasan dan pembatasan](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-limitations.html) di Panduan Pengguna *Amazon S3*.
Jika metadata melebihi batas ini, pekerjaan konsumsi akan memberikan pengecualian saat mengisi indeks vektor. Untuk informasi selengkapnya, lihat [Vektor Amazon S3 di Panduan](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html) Pengguna *Amazon* S3.
**Izin yang diperlukan**
Pastikan kebijakan IAM Anda mengizinkan Amazon Bedrock mengakses indeks vektor Anda di bucket vektor S3. Untuk informasi lebih lanjut tentang izin yang diperlukan, lihat [Membuat peran layanan untuk Amazon Bedrock Knowledge Bases](kb-permissions.md).
**Buat bucket dan indeks vektor S3**
Untuk menggunakan Vektor Amazon S3 dengan basis pengetahuan Anda, Anda perlu membuat bucket vektor S3 dan indeks vektor. Anda dapat membuat bucket dan indeks vektor menggunakan konsol Amazon S3 AWS CLI, atau AWS SDK. Untuk petunjuk terperinci, lihat [Membuat indeks vektor](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-index-create.html) di *Panduan Pengguna Amazon S3*.
Perhatikan pertimbangan berikut saat membuat bucket dan indeks vektor di konsol [Amazon S3](https://console.aws.amazon.com/s3/vector-buckets#).
1. Saat membuat bucket vektor S3 Anda, perhatikan pertimbangan berikut.
+ Berikan **nama bucket Vector** yang unik.
+ (Opsional) Amazon S3 akan secara otomatis mengenkripsi data menggunakan enkripsi sisi **Server default dengan kunci terkelola Amazon S3 (SSE-S3**). Anda dapat memilih apakah akan menggunakan enkripsi default ini, atau **enkripsi sisi Server dengan AWS kunci Layanan Manajemen Kunci (SSE-KMS**) sebagai gantinya.
**catatan**
Jenis enkripsi tidak dapat diubah setelah bucket vektor dibuat.
Untuk step-by-step petunjuk, lihat [Enkripsi dengan kunci AWS KMS](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-bucket-encryption.html).
1. Setelah Anda membuat bucket vektor S3, perhatikan **Amazon Resource Name (ARN**) dari bucket vektor saat Anda membuat basis pengetahuan.
1. Pilih bucket vektor yang Anda buat lalu buat indeks vektor. Saat membuat indeks vektor, perhatikan pertimbangan berikut.
+ **Nama indeks vektor** — Berikan nama untuk bidang (misalnya,**embeddings**).
+ **Dimensi** — Jumlah dimensi dalam vektor. Dimensi harus berupa nilai antara 1 dan 4096. Lihat tabel berikut untuk menentukan berapa banyak dimensi yang harus dikandung vektor berdasarkan pilihan model embeddings Anda:
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
+
**catatan**
Vektor Amazon S3 hanya mendukung penyematan floating-point. Penyematan biner tidak didukung.
**Metrik jarak** — Metrik yang digunakan untuk mengukur kesamaan antara vektor. Anda dapat menggunakan **Cosine** atau **Euclidean**.
1. **Perluas **pengaturan Tambahan** dan berikan metadata yang tidak dapat difilter di bidang metadata Non-Filterable.**
Anda dapat mengonfigurasi hingga maksimal 10 kunci metadata yang tidak dapat difilter. Pilih **Tambah kunci** dan kemudian tambahkan `AMAZON_BEDROCK_TEXT` dan `AMAZON_BEDROCK_METADATA` sebagai kunci.
1. Di bawah **Enkripsi**, pilih **Tentukan jenis enkripsi**. Anda memiliki opsi untuk **Menggunakan pengaturan bucket untuk enkripsi** atau mengganti pengaturan enkripsi untuk indeks vektor. **Jika Anda mengganti pengaturan tingkat ember, Anda memiliki opsi untuk menentukan jenis enkripsi untuk indeks vektor sebagai enkripsi sisi Server dengan kunci **Layanan Manajemen AWS Kunci (SSE-KMS) atau enkripsi sisi Server default dengan kunci terkelola Amazon S3 (SSE-S3)**.** Untuk informasi selengkapnya tentang pengaturan konfigurasi enkripsi untuk indeks vektor, lihat [Perlindungan data dan enkripsi di Vektor Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-data-encryption.html).
1. Di bawah **Tag (Opsional)**, Anda dapat menambahkan tag sebagai pasangan nilai kunci untuk membantu melacak dan mengatur biaya indeks vektor menggunakan AWS Billing and Cost Management. Masukkan **Kunci** dan **Nilai**. Untuk menambahkan tag lainnya, pilih **Tambahkan tag**. Anda dapat memasukkan hingga 50 tag untuk indeks vektor. Untuk informasi selengkapnya, lihat [Menggunakan tag dengan indeks vektor Amazon S3](https://docs.aws.amazon.com/console/s3/vector-index-create-with-tag).
1. Buat indeks vektor dan catat **Amazon Resource Name (ARN)** dari indeks vektor saat Anda membuat basis pengetahuan.
**Buat basis pengetahuan untuk bucket vektor S3**
Setelah mengumpulkan informasi ini, Anda dapat melanjutkan untuk [membuat basis pengetahuan Anda](knowledge-base-create.md). Saat membuat basis pengetahuan Anda dengan bucket vektor S3, Anda harus memberikan ARN bucket vektor dan indeks vektor. Indeks vektor akan menyimpan embeddings yang dihasilkan dari sumber data Anda. Tabel berikut merangkum di mana Anda akan memasukkan setiap informasi:
| Bidang | Bidang yang sesuai dalam pengaturan basis pengetahuan (Konsol) | Bidang yang sesuai dalam pengaturan basis pengetahuan (API) | Deskripsi |
| --- | --- | --- | --- |
| Ember vektor ARN | Ember vektor S3 ARN | vectorBucketArn | Nama Sumber Daya Amazon (ARN) dari bucket vektor S3 Anda. |
| Indeks vektor ARN | S3 indeks vektor ARN | VectorIndexARN | Nama Sumber Daya Amazon (ARN) dari indeks vektor untuk bucket vektor S3 Anda. |
------
#### [ Amazon Aurora (RDS) ]
1. Buat klaster, skema, dan tabel database Amazon Aurora (DB) dengan mengikuti langkah-langkah di Menggunakan [Aurora PostgreSQL](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html) sebagai basis pengetahuan. Saat Anda membuat tabel, konfigurasikan dengan kolom dan tipe data berikut. Anda dapat menggunakan nama kolom yang Anda sukai, bukan yang tercantum dalam tabel berikut. Catat nama kolom yang Anda pilih sehingga Anda dapat memberikannya selama pengaturan basis pengetahuan.
Anda harus menyediakan bidang-bidang ini sebelum membuat basis pengetahuan. Mereka connot diperbarui setelah basis pengetahuan telah dibuat.
**penting**
Cluster Aurora harus berada Akun AWS sama dengan cluster di mana basis pengetahuan dibuat untuk Amazon Bedrock.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
1. Anda harus membuat indeks pada vektor kolom dan teks untuk bidang teks dan embeddings Anda. Jika Anda menggunakan bidang metadata kustom, Anda juga harus membuat indeks GIN pada kolom ini. Indeks GIN dapat digunakan untuk secara efisien mencari pasangan nilai kunci dalam dokumen jsonb untuk pemfilteran metadata. *Untuk informasi selengkapnya, lihat [pengindeksan jsonb](https://www.postgresql.org/docs/current/datatype-json.html#JSON-INDEXING) dalam dokumentasi PostgreSQL.*
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
**catatan**
Untuk meningkatkan akurasi pencarian hibrida dan latensi dengan konten bahasa Inggris, pertimbangkan untuk menggunakan kamus 'inggris' alih-alih 'sederhana':
```
CREATE INDEX ON bedrock_integration.bedrock_kb USING gin (to_tsvector('english', chunks));
```
1. (Opsional) Jika Anda [menambahkan metadata ke file Anda untuk pemfilteran](kb-test-config.md), kami sarankan Anda memberikan nama kolom di bidang metadata khusus untuk menyimpan semua metadata Anda dalam satu kolom. Selama [konsumsi data](kb-data-source-sync-ingest.md), kolom ini akan diisi dengan semua informasi dalam file metadata dari sumber data Anda. Jika Anda memilih untuk menyediakan bidang ini, Anda harus membuat indeks GIN pada kolom ini.
**catatan**
Jika Anda sering menggunakan filter rentang di atas metadata numerik, maka untuk mengoptimalkan kinerja, buat indeks untuk kunci tertentu. Misalnya, jika Anda menggunakan filter seperti`"lessThan": { "key": "year", "value": 1989 }`, buat indeks ekspresi pada `year` kunci. Untuk informasi selengkapnya, lihat [Indeks ekspresi dalam dokumentasi](https://www.postgresql.org/docs/current/indexes-expressional.html) *PostgreSQL*.
```
CREATE INDEX ON your_table ((custom_metadata->>'year')::double precision
```
Atau, jika Anda tidak memberikan nama bidang ini, Anda dapat membuat kolom untuk setiap atribut metadata dalam file Anda dan menentukan tipe data (teks, angka, atau boolean). Misalnya, jika atribut `genre` ada di sumber data Anda, Anda akan menambahkan kolom bernama `genre` dan menentukan `text` sebagai tipe data. Selama [konsumsi data](kb-data-source-sync-ingest.md), kolom terpisah ini akan diisi dengan nilai atribut yang sesuai.
1. Konfigurasikan AWS Secrets Manager rahasia untuk cluster Aurora DB Anda dengan mengikuti langkah-langkah di [Manajemen kata sandi dengan Amazon Aurora](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/rds-secrets-manager.html) dan. AWS Secrets Manager
1. Catat informasi berikut setelah Anda membuat cluster DB dan mengatur rahasianya.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
------
#### [ Neptune Analytics graphs (GraphRAG) ]
1. *Untuk membuat penyimpanan grafik dan vektor di Neptunus Analytics di, ikuti langkah-langkah yang dijelaskan dalam Konsol Manajemen AWS[Pengindeksan vektor di Neptunus Analytics di Panduan Pengguna Neptunus](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/vector-index.html) Analytics.*
**catatan**
Untuk menggunakan Neptune GraphRag, buat grafik Neptunus Analytics kosong dengan indeks pencarian vektor. Indeks pencarian vektor hanya dapat dibuat ketika grafik dibuat. Saat membuat [grafik Neptunus Analytics di](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/create-graph-using-console.html) konsol, Anda menentukan dimensi indeks di **bawah Pengaturan pencarian vektor di** dekat akhir proses.
Perhatikan pertimbangan berikut saat membuat grafik:
1. Berikan grafik nama pilihan Anda.
1. Di bawah **Sumber data**, pilih **Buat grafik kosong**, dan tentukan jumlah m- NCUs yang akan dialokasikan. Setiap m-NCU memiliki sekitar satu GiB kapasitas memori dan komputasi dan jaringan yang sesuai.
**catatan**
Kapasitas grafik Anda dapat dimodifikasi nanti. Kami menyarankan Anda memulai dengan instance terkecil dan kemudian memilih instance yang berbeda, jika diperlukan.
1. Anda dapat meninggalkan pengaturan konektivitas jaringan default. Amazon Bedrock akan membuat koneksi jaringan ke grafik Neptunus Analytics yang Anda kaitkan dengan basis pengetahuan. Anda tidak perlu mengonfigurasi konektivitas publik atau titik akhir pribadi untuk grafik Anda.
1. Di bawah **Pengaturan pencarian vektor****, pilih Gunakan dimensi vektor** dan tentukan jumlah dimensi di setiap vektor.
**catatan**
Jumlah dimensi di setiap vektor harus sesuai dengan dimensi vektor dalam model embeddings. Lihat tabel berikut untuk menentukan berapa banyak dimensi yang harus dikandung vektor:
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
1. Biarkan semua pengaturan lain ke default dan buat grafik.
1. Setelah grafik dibuat, klik untuk mencatat **dimensi **ARN Sumber Daya** dan Vektor** saat Anda membuat basis pengetahuan. Saat memilih model embeddings di Amazon Bedrock, pastikan Anda memilih model dengan dimensi yang sama dengan **dimensi Vektor** yang Anda konfigurasikan pada grafik Neptunus Analytics Anda.
Setelah indeks vektor dibuat, Anda dapat melanjutkan untuk [membuat basis pengetahuan Anda](knowledge-base-create.md). Tabel berikut merangkum di mana Anda akan memasukkan setiap informasi yang Anda catat.
| Bidang | Bidang yang sesuai dalam pengaturan basis pengetahuan (Konsol) | Bidang yang sesuai dalam pengaturan basis pengetahuan (API) | Deskripsi |
| --- | --- | --- | --- |
| Grafik ARN | Grafik Analitik Neptunus ARN | GraphArn | Nama Sumber Daya Amazon (ARN) dari grafik Neptunus Analytics. |
| Manajemen metadata (bidang pemetaan pertama) | Nama bidang teks | TextField | Nama bidang untuk menyimpan teks mentah dari sumber data Anda. Anda dapat memberikan nilai apa pun untuk bidang ini, misalnya, teks. |
| Manajemen metadata (bidang pemetaan kedua) | Bidang metadata yang dikelola batuan dasar | MetaDataField | Nama bidang tempat menyimpan metadata yang dikelola Amazon Bedrock. Anda dapat memberikan nilai apa pun untuk bidang ini, misalnya, metadata. |
------
#### [ Biji pinus ]
**catatan**
Jika Anda menggunakanPinecone, Anda setuju untuk mengizinkan AWS untuk mengakses sumber pihak ketiga yang ditunjuk atas nama Anda untuk menyediakan layanan penyimpanan vektor kepada Anda. Anda bertanggung jawab untuk mematuhi persyaratan pihak ketiga yang berlaku untuk penggunaan dan dan transfer data dari layanan pihak ketiga.
Untuk dokumentasi mendetail tentang menyiapkan penyimpanan vektorPinecone, lihat Biji [Pinus sebagai basis pengetahuan untuk Amazon Bedrock](https://docs.pinecone.io/docs/amazon-bedrock).
Saat Anda mengatur penyimpanan vektor, perhatikan informasi berikut, yang akan Anda isi saat membuat basis pengetahuan:
+ **Endpoint URL — URL** endpoint untuk halaman manajemen indeks Anda.
+ Rahasia **kredensial ARN —** Nama Sumber Daya Amazon (ARN) dari rahasia yang Anda buat AWS Secrets Manager yang berisi nama pengguna dan kata sandi untuk pengguna database.
+ **(Opsional) Kunci KMS yang dikelola pelanggan untuk ARN rahasia Kredensial Anda — jika Anda mengenkripsi ARN rahasia** kredensil Anda, berikan kunci KMS sehingga Amazon Bedrock dapat mendekripsi itu.
+ **Nama Space** — (Opsional) Namespace yang akan digunakan untuk menulis data baru ke database Anda. Untuk informasi selengkapnya, lihat [Menggunakan ruang nama](https://docs.pinecone.io/docs/namespaces).
Ada konfigurasi tambahan yang harus Anda berikan saat membuat Pinecone indeks:
+ **Nama bidang teks** - Nama bidang tempat Amazon Bedrock harus menyimpan teks potongan mentah.
+ **Nama bidang metadata — Nama bidang** tempat Amazon Bedrock harus menyimpan metadata atribusi sumber.
Untuk mengakses Pinecone indeks Anda, Anda harus memberikan kunci Pinecone API Anda ke Amazon Bedrock melalui. AWS Secrets Manager
**Untuk menyiapkan rahasia untuk Pinecone konfigurasi Anda**
1. Ikuti langkah-langkah di [Buat AWS Secrets Manager rahasia](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html), atur kunci sebagai `apiKey` dan nilai sebagai kunci API untuk mengakses Pinecone indeks Anda.
1. Untuk menemukan kunci API Anda, buka [konsol Pinecone](https://app.pinecone.io/) Anda dan pilih Kunci **API**.
1. Setelah Anda membuat rahasia, perhatikan ARN dari kunci KMS.
1. Lampirkan izin ke peran layanan Anda untuk mendekripsi ARN kunci KMS dengan mengikuti langkah-langkahnya. [Izin untuk mendekripsi AWS Secrets Manager rahasia untuk penyimpanan vektor yang berisi basis pengetahuan Anda](encryption-kb.md#encryption-kb-3p)
1. Kemudian, ketika Anda membuat basis pengetahuan Anda, masukkan ARN di bidang ARN **rahasia Kredensial.**
------
#### [ Awan Perusahaan Redis ]
**catatan**
Jika Anda menggunakanRedis Enterprise Cloud, Anda setuju untuk mengizinkan AWS untuk mengakses sumber pihak ketiga yang ditunjuk atas nama Anda untuk menyediakan layanan penyimpanan vektor kepada Anda. Anda bertanggung jawab untuk mematuhi persyaratan pihak ketiga yang berlaku untuk penggunaan dan transfer data dari layanan pihak ketiga.
Untuk dokumentasi mendetail tentang menyiapkan penyimpanan vektorRedis Enterprise Cloud, lihat [Mengintegrasikan Redis Enterprise Cloud dengan Amazon Bedrock](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/).
Saat Anda mengatur penyimpanan vektor, perhatikan informasi berikut, yang akan Anda isi saat membuat basis pengetahuan:
+ **Endpoint URL — URL** endpoint publik untuk database Anda.
+ **Nama indeks vektor** — Nama indeks vektor untuk database Anda.
+ **Bidang vektor** — Nama bidang tempat penyematan vektor akan disimpan. Lihat tabel berikut untuk menentukan berapa banyak dimensi yang harus dikandung vektor.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/bedrock/latest/userguide/knowledge-base-setup.html)
+ **Bidang teks** — Nama bidang tempat Amazon Bedrock menyimpan potongan teks mentah.
+ Bidang **metadata yang dikelola oleh batuan dasar — Nama bidang** tempat Amazon Bedrock menyimpan metadata yang terkait dengan basis pengetahuan Anda.
Untuk mengakses Redis Enterprise Cloud klaster Anda, Anda harus menyediakan konfigurasi Redis Enterprise Cloud keamanan Anda ke Amazon Bedrock melalui file. AWS Secrets Manager
**Untuk menyiapkan rahasia untuk Redis Enterprise Cloud konfigurasi Anda**
1. Aktifkan TLS untuk menggunakan database Anda dengan Amazon Bedrock dengan mengikuti langkah-langkah di [Transport Layer Security (TLS](https://docs.redis.com/latest/rc/security/database-security/tls-ssl/)).
1. Ikuti langkah-langkah di [Buat AWS Secrets Manager rahasia](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html). Siapkan kunci berikut dengan nilai yang sesuai dari Redis Enterprise Cloud konfigurasi Anda secara rahasia:
+ `username`— Nama pengguna untuk mengakses Redis Enterprise Cloud database Anda. Untuk menemukan nama pengguna Anda, lihat di bawah bagian **Keamanan** database Anda di [Konsol Redis](http://app.redislabs.com/).
+ `password`— Kata sandi untuk mengakses Redis Enterprise Cloud database Anda. Untuk menemukan kata sandi Anda, lihat di bawah bagian **Keamanan** database Anda di [Konsol Redis](http://app.redislabs.com/).
+ `serverCertificate`— Isi sertifikat dari otoritas Redis Cloud Certificate. Unduh sertifikat server dari Konsol Admin Redis dengan mengikuti langkah-langkah di [Unduh sertifikat](https://docs.redis.com/latest/rc/security/database-security/tls-ssl/#download-certificates).
+ `clientPrivateKey`— Kunci pribadi sertifikat dari otoritas Redis Cloud Certificate. Unduh sertifikat server dari Konsol Admin Redis dengan mengikuti langkah-langkah di [Unduh sertifikat](https://docs.redis.com/latest/rc/security/database-security/tls-ssl/#download-certificates).
+ `clientCertificate`— Kunci publik sertifikat dari otoritas Redis Cloud Certificate. Unduh sertifikat server dari Konsol Admin Redis dengan mengikuti langkah-langkah di [Unduh sertifikat](https://docs.redis.com/latest/rc/security/database-security/tls-ssl/#download-certificates).
1. Setelah Anda membuat rahasia, perhatikan ARN-nya. Kemudian, ketika Anda membuat basis pengetahuan Anda, masukkan ARN di bidang ARN **rahasia Kredensial.**
------
#### [ MongoDB Atlas ]
**catatan**
Jika Anda menggunakan MongoDB Atlas, Anda setuju untuk AWS mengizinkan untuk mengakses sumber pihak ketiga yang ditunjuk atas nama Anda untuk menyediakan layanan penyimpanan vektor kepada Anda. Anda bertanggung jawab untuk mematuhi persyaratan pihak ketiga yang berlaku untuk penggunaan dan dan transfer data dari layanan pihak ketiga.
Untuk dokumentasi mendetail tentang menyiapkan penyimpanan vektor di MongoDB Atlas, [lihat Meluncurkan Alur Kerja RAG yang Dikelola Sepenuhnya Dengan Atlas MongoDB](https://www.mongodb.com/developer/products/atlas/rag-workflow-with-atlas-amazon-bedrock/) dan Amazon Bedrock.
Saat Anda mengatur penyimpanan vektor, perhatikan informasi berikut yang akan Anda tambahkan saat Anda membuat basis pengetahuan:
+ URL **Endpoint — URL** endpoint dari cluster MongoDB Atlas Anda.
+ **Nama database** — Nama database di cluster MongoDB Atlas Anda.
+ **Nama koleksi** — Nama koleksi dalam database Anda.
+ Rahasia **kredensial ARN -** Nama Sumber Daya Amazon (ARN) dari rahasia yang Anda buat AWS Secrets Manager yang berisi nama pengguna dan kata sandi untuk pengguna database di cluster MongoDB Atlas Anda. Rahasianya harus berisi kunci bernama `username` dan`password`.
+ **(Opsional) Kunci KMS yang dikelola pelanggan untuk ARN rahasia Kredensial Anda — jika Anda mengenkripsi ARN rahasia** kredensil Anda, berikan kunci KMS sehingga Amazon Bedrock dapat mendekripsi itu.
Ada konfigurasi tambahan untuk **pemetaan Field** yang harus Anda berikan saat membuat indeks MongoDB Atlas:
+ **Nama indeks vektor** — Nama Indeks Pencarian Vektor MongoDB Atlas pada koleksi Anda.
+ **Nama bidang vektor** — Nama bidang tempat Amazon Bedrock harus menyimpan embeddings vektor.
+ **Nama bidang teks** - Nama bidang tempat Amazon Bedrock harus menyimpan teks potongan mentah.
+ **Nama bidang metadata — Nama bidang** tempat Amazon Bedrock harus menyimpan metadata atribusi sumber.
+ **(Opsional) Nama indeks pencarian teks** — Nama indeks MongoDB Atlas Search pada koleksi Anda.
**penting**
Jika Anda berencana untuk menggunakan pemfilteran metadata dengan basis pengetahuan MongoDB Atlas Anda, Anda harus mengonfigurasi filter secara manual dalam indeks vektor Anda. Pemfilteran metadata tidak berfungsi secara default dan memerlukan pengaturan tambahan dalam konfigurasi indeks vektor MongoDB Atlas Anda.
(Opsional) Agar Amazon Bedrock terhubung ke cluster AWS PrivateLink MongoDB Atlas Anda, lihat [alur kerja RAG dengan](https://www.mongodb.com/developer/products/atlas/rag-workflow-with-atlas-amazon-bedrock/) MongoDB Atlas menggunakan Amazon Bedrock.
------