As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Recuperar dados e gerar respostas de IA com as Bases de Conhecimento do Amazon Bedrock
Embora os modelos de base tenham conhecimento geral, você pode melhorar ainda mais as respostas usando a geração aumentada via recuperação (RAG). A RAG é uma técnica que usa informações de fontes de dados para melhorar a relevância e a precisão das respostas geradas. Com as Bases de Conhecimento do Amazon Bedrock, é possível integrar informações proprietárias em suas aplicações de IA generativa. Quando uma consulta é feita, uma base de conhecimento pesquisa os dados para encontrar informações relevantes para responder à consulta. As informações recuperadas podem então ser usadas para melhorar as respostas geradas. O Amazon Bedrock Knowledge Bases ajuda a criar aplicativos de IA agentes seguros e de nível corporativo, aproveitando a recuperação segura em conjuntos de dados de grande escala.
Importante
Para uma precisão de recuperação otimizada e uma experiência gerenciada, recomendamos o Amazon Bedrock Managed Knowledge Base.
As bases de conhecimento Amazon Bedrock oferecem dois tipos de bases de conhecimento:
-
Base de conhecimento gerenciada — O Amazon Bedrock gerencia a infraestrutura subjacente de ingestão, indexação, armazenamento e recuperação de dados para que você possa se concentrar na lógica do seu aplicativo e do agente. A Base de Conhecimento Gerenciada oferece recursos avançados, incluindo ingestão de dados multimodais, auto-scaling de armazenamento, recuperação agente para raciocínio multi-hop e muito mais, enquanto continua oferecendo personalizações importantes para que você possa adaptar os agentes ao seu caso de uso. Você conecta suas fontes de dados e o Amazon Bedrock gerencia a incorporação, a reclassificação e o raciocínio com modelos gerenciados por serviços por padrão (com a opção de escolher seus próprios modelos). A Base de Conhecimento Gerenciada se integra nativamente ao AgentCore Gateway para que qualquer estrutura de MCP-compatible agente possa descobrir e invocar sua Base de Conhecimento como uma ferramenta sem código personalizado. O Managed Knowledge oferece conectores para Amazon S3 SharePoint, Confluence, Google Drive e Web Crawler OneDrive, além de filtragem de permissões em nível de documento usando listas de controle de acesso (exceto para Web Crawler) no momento da recuperação. O recurso Smart Parsing seleciona automaticamente a estratégia de análise por tipo de documento, incluindo PDFs, PPTX, DOCX, documentos com recursos visuais incorporados, áudio, vídeo e documentos digitalizados. O Agentic Retrieval suporta o raciocínio multi-hop, decompõe consultas complexas em subconsultas, recupera iterativamente em várias bases de conhecimento e avalia a suficiência das respostas. A integração nativa com o AgentCore Observability oferece monitoramento integrado, rastreamentos de recuperação, rastreamentos de agentes e métricas por base de conhecimento.
-
Customer-managed Base de conhecimento — Isso permite que você configure e gerencie seu próprio pipeline de RAG, incluindo o armazenamento vetorial (como Amazon OpenSearch Serverless, Amazon Aurora e Amazon Neptune), e tenha controle total sobre as configurações de ingestão, análise, indexação e armazenamento de dados. Você precisará configurar e gerenciar a infraestrutura e as configurações relacionadas, como a análise de dados multimodais. Observe que vários recursos, como conectores de terceiros, permissões em nível de documento e integração nativa com o AgentCore Gateway, só estão disponíveis para bases de conhecimento gerenciadas.
Com as Bases de Conhecimento do Amazon Bedrock, você pode:
-
Responder às consultas dos usuários exibindo informações relevantes das fontes de dados.
-
Usar as informações recuperadas das fontes de dados para ajudar a gerar uma resposta precisa e relevante às consultas dos usuários.
-
Aumentar seus próprios prompts inserindo as informações relevantes exibidas no prompt.
-
Incluir citações na resposta gerada para que a fonte de dados original possa ser usada como referência e a precisão possa ser verificada.
-
Incluir documentos com amplos recursos visuais, dos quais as imagens podem ser extraídas e recuperadas em respostas a consultas. Se você gerar uma resposta com base nos dados recuperados, o modelo poderá fornecer informações adicionais com base nessas imagens.
-
Pesquise usando imagens como consultas para encontrar conteúdo visualmente semelhante ou combine texto e imagens em consultas para obter resultados mais precisos usando modelos de incorporação multimodais.
-
Usar modelos de reclassificação para influenciar os resultados que são recuperados da fonte de dados.
Tópicos
