IA generativa os agentes são uma ferramenta versátil e poderosa para grandes empresas. Eles podem melhorar a eficiência operacional, o atendimento ao cliente e a tomada de decisões, ao mesmo tempo que reduzem custos e permitem a inovação. Esses agentes são excelentes na automatização de uma ampla gama de tarefas rotineiras e repetitivas, como entrada de dados, consultas de suporte ao cliente e geração de conteúdo. Além disso, eles podem orquestrar fluxos de trabalho complexos e de várias etapas, dividindo as tarefas em etapas menores e gerenciáveis, coordenando diversas ações e garantindo a execução eficiente dos processos dentro de uma organização. Isto reduz significativamente a carga sobre os recursos humanos e permite que os funcionários se concentrem em tarefas mais estratégicas e criativas.
À medida que a tecnologia de IA continua a evoluir, espera-se que as capacidades dos agentes generativos de IA se expandam, oferecendo ainda mais oportunidades para os clientes obterem uma vantagem competitiva. Na vanguarda desta evolução está Rocha Amazônica, um serviço totalmente gerenciado que disponibiliza modelos básicos (FMs) de alto desempenho da Amazon e de outras empresas líderes de IA por meio de uma API. Com o Amazon Bedrock, você pode criar e dimensionar aplicações generativas de IA com segurança, privacidade e IA responsável. Agora você pode usar Agentes da Amazon Bedrock e Bases de conhecimento para Amazon Bedrock para configurar agentes especializados que executam ações perfeitamente com base na entrada de linguagem natural e nos dados da sua organização. Esses agentes gerenciados atuam como condutores, orquestrando interações entre FMs, integrações de API, conversas de usuários e fontes de conhecimento carregadas com seus dados.
Esta postagem destaca como você pode usar agentes e bases de conhecimento para Amazon Bedrock para aproveitar os recursos empresariais existentes para automatizar as tarefas associadas ao ciclo de vida de sinistros de seguro, dimensionar e melhorar com eficiência o atendimento ao cliente e aprimorar o suporte à decisão por meio de um gerenciamento de conhecimento aprimorado. Seu agente de seguros com tecnologia Amazon Bedrock pode ajudar agentes humanos criando novos sinistros, enviando lembretes de documentos pendentes para sinistros abertos, coletando evidências de sinistros e pesquisando informações em sinistros existentes e repositórios de conhecimento do cliente.
Visão geral da solução
O objetivo desta solução é servir de base para os clientes, capacitando-os a criar os seus próprios agentes especializados para diversas necessidades, como assistentes virtuais e tarefas de automação. O código e os recursos necessários para implantação estão disponíveis no repositório amazon-bedrock-examples.
A gravação de demonstração a seguir destaca a funcionalidade de agentes e bases de conhecimento para Amazon Bedrock e detalhes técnicos de implementação.
Agentes e bases de conhecimento do Amazon Bedrock trabalham juntos para fornecer os seguintes recursos:
- Orquestração de tarefas – Os agentes usam FMs para compreender consultas em linguagem natural e dissecar tarefas de várias etapas em etapas menores e executáveis.
- Coleta de dados interativa – Os agentes envolvem-se em conversas naturais para coletar informações complementares dos usuários.
- Cumprimento de tarefas – Os agentes atendem às solicitações dos clientes por meio de uma série de etapas de raciocínio e ações correspondentes com base em Solicitação do ReAct.
- Integração do sistema – Os agentes fazem chamadas de API para sistemas integrados da empresa para executar ações específicas.
- Consulta de dados – As bases de conhecimento melhoram a precisão e o desempenho por meio de Geração Aumentada de Recuperação (RAG) usando fontes de dados específicas do cliente.
- Atribuição de fonte – Os agentes conduzem a atribuição da fonte, identificando e rastreando a origem das informações ou ações por meio de raciocínio em cadeia de pensamento.
O diagrama a seguir ilustra a arquitetura da solução.
O fluxo de trabalho consiste nas seguintes etapas:
- Os usuários fornecem entradas em linguagem natural ao agente. A seguir estão alguns exemplos de prompts:
- Crie uma nova reivindicação.
- Envie um lembrete de documentos pendentes ao segurado do sinistro 2s34w-8x.
- Reúna evidências para a reivindicação 5t16u-7v.
- Qual é o valor total da reivindicação 3b45c-9d?
- Qual é a estimativa total do reparo para a mesma reclamação?
- Que fatores determinam o prêmio do meu seguro automóvel?
- Como posso reduzir as taxas do meu seguro automóvel?
- Quais reivindicações têm status aberto?
- Envie lembretes a todos os segurados com reivindicações em aberto.
- Durante o pré-processamento, o agente valida, contextualiza e categoriza a entrada do usuário. A entrada do usuário (ou tarefa) é interpretada pelo agente usando o histórico de chat e as instruções e FM subjacente que foram especificados durante criação de agente. As instruções do agente são diretrizes descritivas que descrevem as ações pretendidas do agente. Além disso, você pode configurar opcionalmente prompts avançados, que permitem aumentar a precisão do seu agente empregando configurações mais detalhadas e oferecendo exemplos selecionados manualmente para solicitações rápidas. Este método permite aprimorar o desempenho do modelo, fornecendo exemplos rotulados associados a uma tarefa específica.
- Grupos de ação são um conjunto de APIs e lógica de negócios correspondente, cujo esquema OpenAPI é definido como arquivos JSON armazenados em Serviço de armazenamento simples da Amazon (Amazon S3). O esquema permite que o agente raciocine em torno da função de cada API. Cada grupo de ação pode especificar um ou mais caminhos de API, cuja lógica de negócios é executada através do AWS Lambda função associada ao grupo de ação.
- As bases de conhecimento do Amazon Bedrock fornecem RAG totalmente gerenciado para fornecer ao agente acesso aos seus dados. Primeiro você configura a base de conhecimento especificando uma descrição que instrui o agente quando usar sua base de conhecimento. Em seguida, você aponta a base de conhecimento para sua fonte de dados do Amazon S3. Por fim, você especifica um modelo de incorporação e escolhe usar seu armazenamento de vetores existente ou permite que o Amazon Bedrock crie o armazenamento de vetores em seu nome. Depois de configurado, cada sincronização de fonte de dados cria incorporações vetoriais de seus dados que o agente pode usar para retornar informações ao usuário ou aumentar os prompts FM subsequentes.
- Durante a orquestração, o agente desenvolve uma lógica com as etapas lógicas de quais invocações de API de grupo de ação e consultas de base de conhecimento são necessárias para gerar uma observação que pode ser usada para aumentar o prompt base para o FM subjacente. Esse prompt no estilo ReAct serve como entrada para ativar o FM, que então antecipa a sequência ideal de ações para concluir a tarefa do usuário.
- Durante o pós-processamento, após a conclusão de todas as iterações de orquestração, o agente seleciona uma resposta final. O pós-processamento está desabilitado por padrão.
Nas seções a seguir, discutimos as principais etapas para implantar a solução, incluindo etapas de pré-implementação e testes e validação.
Crie recursos de solução com o AWS CloudFormation
Antes de criar seu agente e sua base de conhecimento, é essencial estabelecer um ambiente simulado que espelhe de perto os recursos existentes usados pelos clientes. Os agentes e bases de conhecimento do Amazon Bedrock foram projetados para se basearem nesses recursos, usando lógica de negócios fornecida pelo Lambda e repositórios de dados de clientes armazenados no Amazon S3. Esse alinhamento fundamental proporciona uma integração perfeita de suas soluções de agentes e de base de conhecimento com sua infraestrutura estabelecida.
Para emular os recursos existentes do cliente utilizados pelo agente, esta solução utiliza o create-customer-resources.sh script de shell para automatizar o provisionamento do parametrizado Formação da Nuvem AWS modelo, bedrock-customer-resources.yml, para implantar os seguintes recursos:
- An Amazon DynamoDB mesa preenchida com sintético dados de reclamações.
- Três funções Lambda que representam a lógica de negócios do cliente para criação de reclamações, envio de lembretes de documentos pendentes para reclamações de status abertas e coleta de evidências sobre reclamações novas e existentes.
- Um bucket S3 contendo documentação de API no formato de esquema OpenAPI para as funções Lambda anteriores e as estimativas de reparo, valores de reclamações, perguntas frequentes da empresa e descrições de documentos de reclamação necessários para serem usados como nosso ativos de fonte de dados da base de conhecimento.
- An Serviço de notificação simples da Amazon (Amazon SNS) tópico no qual os e-mails dos segurados são inscritos para alertas por e-mail sobre status de sinistros e ações pendentes.
- Gerenciamento de acesso e identidade da AWS (IAM) para os recursos anteriores.
O AWS CloudFormation preenche previamente os parâmetros da pilha com os valores padrão fornecidos no modelo. Para fornecer valores de entrada alternativos, você pode especificar parâmetros como variáveis de ambiente referenciadas no arquivo ParameterKey=<ParameterKey>,ParameterValue=<Value>
pares nos seguintes scripts de shell aws cloudformation create-stack
comando.
Conclua as etapas a seguir para provisionar seus recursos:
- Crie uma cópia local do
amazon-bedrock-samples
repositório usandogit clone
: - Antes de executar o script de shell, navegue até o diretório onde você clonou o
amazon-bedrock-samples
repositório e modifique as permissões do shell script para executável: - Defina o nome da pilha do CloudFormation, o e-mail do SNS e as variáveis de ambiente do URL de upload de evidências. O e-mail do SNS será usado para notificações dos tomadores de seguros e o URL de carregamento de provas será partilhado com os segurados para carregarem as suas provas de sinistros. O amostra de processamento de sinistros de seguro fornece um exemplo de front-end para o URL de upload de evidências.
- execute o
create-customer-resources.sh
script de shell para implantar os recursos emulados do cliente definidos nobedrock-insurance-agent.yml
Modelo CloudFormation. Estes são os recursos sobre os quais o agente e a base de conhecimento serão construídos.
O anterior source ./create-customer-resources.sh
O comando shell executa o seguinte Interface de linha de comando da AWS (AWS CLI) comandos para implantar a pilha de recursos do cliente emulada:
Crie uma base de conhecimento
As bases de conhecimento do Amazon Bedrock usam RAG, uma técnica que aproveita armazenamentos de dados de clientes para aprimorar as respostas geradas por FMs. As bases de conhecimento permitem que os agentes acessem repositórios de dados de clientes existentes sem grandes despesas administrativas. Para conectar uma base de conhecimento aos seus dados, especifique um bucket do S3 como o fonte de dados. Com bases de conhecimento, as aplicações ganham informações contextuais enriquecidas, agilizando o desenvolvimento por meio de uma solução RAG totalmente gerenciada. Esse nível de abstração acelera o tempo de lançamento no mercado, minimizando o esforço de incorporação de seus dados na funcionalidade do agente, e otimiza os custos, eliminando a necessidade de retreinamento contínuo do modelo para usar dados privados.
O diagrama a seguir ilustra a arquitetura de uma base de conhecimento com um modelo de incorporação.
A funcionalidade da base de conhecimento é delineada por meio de dois processos principais: pré-processamento (etapas 1 a 3) e tempo de execução (etapas 4 a 7):
- Os documentos passam por segmentação (fragmentação) em seções gerenciáveis.
- Esses pedaços são convertidos em incorporações usando um modelo de incorporação Amazon Bedrock.
- Os embeddings são usados para criar um índice vetorial, permitindo comparações de similaridade semântica entre as consultas do usuário e o texto da fonte de dados.
- Durante o tempo de execução, os usuários fornecem sua entrada de texto como um prompt.
- O texto de entrada é transformado em vetores usando um modelo de incorporação do Amazon Bedrock.
- O índice vetorial é consultado em busca de partes relacionadas à consulta do usuário, aumentando o prompt do usuário com contexto adicional recuperado do índice vetorial.
- O prompt aumentado, juntamente com o contexto adicional, é usado para gerar uma resposta para o usuário.
Para criar uma base de conhecimento, conclua as seguintes etapas:
- No console do Amazon Bedrock, escolha Base de conhecimento no painel de navegação.
- Escolha Criar base de conhecimento.
- Debaixo Forneça detalhes da base de conhecimento, insira um nome e uma descrição opcional, deixando todas as configurações padrão. Para esta postagem, inserimos a descrição:
Use to retrieve claim amount and repair estimate information for claim ID, or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, and documents.
- Debaixo Configurar fonte de dados, Insira o nome.
- Escolha Navegar S3 e selecione o
knowledge-base-assets
pasta do bucket S3 da fonte de dados que você implantou anteriormente (<YOUR-STACK-NAME>-customer-resources/agent/knowledge-base-assets/
). - Debaixo Selecione o modelo de embeddings e configure o armazenamento de vetores, escolha Titan Embeddings G1 – Texto e deixe as outras configurações padrão. Um Amazon OpenSearch sem servidor coleção será criado para você. Esse armazenamento de vetores é onde os embeddings de pré-processamento da base de conhecimento são armazenados e posteriormente usados para pesquisa de similaridade semântica entre consultas e texto da fonte de dados.
- Debaixo Revise e crie, confirme suas configurações e escolha Criar base de conhecimento.
- Depois que sua base de conhecimento for criada, um banner verde “criado com sucesso” será exibido com a opção de sincronizar sua fonte de dados. Escolher sincronização para iniciar a sincronização da fonte de dados.
- No console do Amazon Bedrock, navegue até a base de conhecimento que você acabou de criar e anote o ID da base de conhecimento em Visão geral da base de conhecimento.
- Com sua base de conhecimento ainda selecionada, escolha a fonte de dados da base de conhecimento listada em Fonte de dadose anote o ID da fonte de dados em Visão geral da fonte de dados.
O ID da base de conhecimento e o ID da fonte de dados são usados como variáveis de ambiente em uma etapa posterior, quando você implanta a UI da web Streamlit para seu agente.
Crie um agente
Os agentes operam por meio de um processo de execução em tempo de construção, compreendendo vários componentes principais:
- modelo de fundação – Os usuários selecionam um FM que orienta o agente na interpretação das entradas do usuário, gerando respostas e direcionando ações subsequentes durante seu processo de orquestração.
- Instruções – Os usuários elaboram instruções detalhadas que descrevem a funcionalidade pretendida do agente. Prompts avançados opcionais permitem personalização em cada etapa da orquestração, incorporando funções Lambda para analisar resultados.
- (Opcional) Grupos de ação – Os usuários definem ações para o agente, usando um esquema OpenAPI para definir APIs para execuções de tarefas e funções Lambda para processar entradas e saídas de API.
- (Opcional) Bases de conhecimento – Os usuários podem associar agentes a bases de conhecimento, concedendo acesso a contexto adicional para geração de respostas e etapas de orquestração.
O agente nesta solução de exemplo usa um FM Anthropic Claude V2.1 no Amazon Bedrock, um conjunto de instruções, três grupos de ação e uma base de conhecimento.
Para criar um agente, execute as seguintes etapas:
- No console do Amazon Bedrock, escolha Agentes no painel de navegação.
- Escolha Criar agente.
- Debaixo Forneça detalhes do agente, insira um nome de agente e uma descrição opcional, deixando todas as outras configurações padrão.
- Debaixo Selecionar modelo, escolha Claude Antrópico V2.1 e especifique as seguintes instruções para o agente:
You are an insurance agent that has access to domain-specific insurance knowledge. You can create new insurance claims, send pending document reminders to policy holders with open claims, and gather claim evidence. You can also retrieve claim amount and repair estimate information for a specific claim ID or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, documents, resolution, and condition. You can answer internal questions about things like which steps an agent should follow and the company's internal processes. You can respond to questions about multiple claim IDs within a single conversation
- Escolha Próximo.
- Debaixo Adicionar grupos de ação, adicione seu primeiro grupo de ação:
- Escolha Insira o nome do grupo de ação, entrar
create-claim
. - Escolha Descrição, entrar
Use this action group to create an insurance claim
- Escolha Selecione a função Lambda, escolha
<YOUR-STACK-NAME>-CreateClaimFunction
. - Escolha Selecione o esquema da API, escolha Navegar S3, escolha o bucket criado anteriormente (
<YOUR-STACK-NAME>-customer-resources
), então escolhaagent/api-schema/create_claim.json
.
- Escolha Insira o nome do grupo de ação, entrar
- Crie um segundo grupo de ação:
- Escolha Insira o nome do grupo de ação, entrar
gather-evidence
. - Escolha Descrição, entrar
Use this action group to send the user a URL for evidence upload on open status claims with pending documents. Return the documentUploadUrl to the user
- Escolha Selecione a função Lambda, escolha
<YOUR-STACK-NAME>-GatherEvidenceFunction
. - Escolha Selecione o esquema da API, escolha Navegar S3, escolha o bucket criado anteriormente e escolha
agent/api-schema/gather_evidence.json
.
- Escolha Insira o nome do grupo de ação, entrar
- Crie um terceiro grupo de ação:
- Escolha Insira o nome do grupo de ação, entrar
send-reminder
. - Escolha Descrição, entrar
Use this action group to check claim status, identify missing or pending documents, and send reminders to policy holders
- Escolha Selecione a função Lambda, escolha
<YOUR-STACK-NAME>-SendReminderFunction
. - Escolha Selecione o esquema da API, escolha Navegar S3, escolha o bucket criado anteriormente e escolha
agent/api-schema/send_reminder.json
.
- Escolha Insira o nome do grupo de ação, entrar
- Escolha Próximo.
- Escolha Selecione a base de conhecimento, escolha a base de conhecimento que você criou anteriormente (
claims-knowledge-base
). - Escolha Instruções da base de conhecimento para agente, digite o seguinte:
Use to retrieve claim amount and repair estimate information for claim ID, or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, and documents
- Escolha Próximo.
- Debaixo Revise e crie, confirme suas configurações e escolha Criar agente.
Depois que seu agente for criado, você verá um banner verde “criado com sucesso”.
Teste e validação
O procedimento de teste a seguir visa verificar se o agente identifica e compreende corretamente as intenções do usuário para criar novas reclamações, enviar lembretes de documentos pendentes para reclamações abertas, reunir evidências de reclamações e pesquisar informações em reclamações existentes e repositórios de conhecimento do cliente. A precisão das respostas é determinada avaliando a relevância, a coerência e a natureza humana das respostas geradas pelos agentes e bases de conhecimento do Amazon Bedrock.
Medidas de avaliação e técnica de avaliação
A validação de entrada do usuário e instrução do agente inclui o seguinte:
- Pré-processando – Use exemplos de prompts para avaliar a interpretação, a compreensão e a capacidade de resposta do agente às diversas entradas do usuário. Valide a adesão do agente às instruções configuradas para validar, contextualizar e categorizar a entrada do usuário com precisão.
- Orquestração – Avalie as etapas lógicas que o agente segue (por exemplo, “Trace”) para invocações de API de grupos de ação e consultas da base de conhecimento para aprimorar o prompt base do FM.
- Pós-processamento – Revise as respostas finais geradas pelo agente após as iterações de orquestração para garantir precisão e relevância. O pós-processamento fica inativo por padrão e, portanto, não é incluído no rastreamento do nosso agente.
A avaliação do grupo de ação inclui o seguinte:
- Validação de esquema de API – Valide se o esquema OpenAPI (definido como arquivos JSON armazenados no Amazon S3) orienta efetivamente o raciocínio do agente em torno da finalidade de cada API.
- Implementação de lógica de negócios – Teste a implementação da lógica de negócios associada aos caminhos de API por meio de funções Lambda vinculadas ao grupo de ação.
A avaliação da base de conhecimento inclui o seguinte:
- Verificação de configuração – Confirme se as instruções da base de conhecimento orientam corretamente o agente sobre quando acessar os dados.
- Integração de fonte de dados S3 – Valide a capacidade do agente de acessar e usar dados armazenados na fonte de dados S3 especificada.
O teste ponta a ponta inclui o seguinte:
- Fluxo de trabalho integrado – Realize testes abrangentes envolvendo grupos de ação e bases de conhecimento para simular cenários do mundo real.
- Avaliação da qualidade da resposta – Avaliar a precisão geral, relevância e coerência das respostas do agente em diversos contextos e cenários.
Teste a base de conhecimento
Depois de configurar sua base de conhecimento no Amazon Bedrock, você pode testar seu comportamento diretamente para avaliar suas respostas antes de integrá-la a um agente. Esse processo de teste permite avaliar o desempenho da base de conhecimento, inspecionar respostas e solucionar problemas explorando os blocos de origem dos quais as informações são recuperadas. Conclua as seguintes etapas:
- No console do Amazon Bedrock, escolha Base de conhecimento no painel de navegação.
- Selecione a base de conhecimento que deseja testar e escolha Test para expandir uma janela de bate-papo.
- Na janela de teste, selecione seu modelo básico para geração de resposta.
- Teste sua base de conhecimento usando os seguintes exemplos de consultas e outras entradas:
- Qual é o diagnóstico na estimativa de reparo para a reivindicação ID 2s34w-8x?
- Qual é a estimativa de resolução e reparação para esse mesmo sinistro?
- O que o motorista deve fazer após um acidente?
- O que é recomendado para o boletim de ocorrência e imagens?
- O que é franquia e como funciona?
Você pode alternar entre gerar respostas e retornar cotações diretas na janela de bate-papo e tem a opção de limpar a janela de bate-papo ou copiar todos os resultados usando os ícones fornecidos.
Para inspecionar as respostas da base de conhecimento e os blocos de origem, você pode selecionar a nota de rodapé correspondente ou escolher Mostrar detalhes do resultado. Uma janela de blocos de origem será exibida, permitindo pesquisar, copiar o texto do bloco e navegar até a fonte de dados S3.
Teste o agente
Após o teste bem-sucedido da sua base de conhecimento, a próxima fase de desenvolvimento envolve a preparação e o teste da funcionalidade do seu agente. Preparar o agente envolve empacotar as mudanças mais recentes, enquanto o teste oferece uma oportunidade crítica para interagir e avaliar o comportamento do agente. Por meio desse processo, você pode refinar os recursos do agente, aumentar sua eficiência e resolver possíveis problemas ou melhorias necessárias para um desempenho ideal. Conclua as seguintes etapas:
- No console do Amazon Bedrock, escolha Agentes no painel de navegação.
- Escolha seu agente e anote o ID do agente.
Você usa o ID do agente como uma variável de ambiente em uma etapa posterior ao implantar a UI da web Streamlit para seu agente. - Navegue para o seu Rascunho de trabalho. Inicialmente, você tem um rascunho de trabalho e um padrão
TestAlias
apontando para este rascunho. O rascunho de trabalho permite o desenvolvimento iterativo. - Escolha Preparar para empacotar o agente com as alterações mais recentes antes do teste. Você deve verificar regularmente o último horário de preparação do agente para confirmar que está testando as configurações mais recentes.
- Acesse a janela de teste em qualquer página do console de rascunho de trabalho do agente, escolhendo Test ou o ícone de seta para a esquerda.
- Na janela de teste, escolha um alias e sua versão para teste. Para esta postagem, usamos
TestAlias
para invocar a versão de rascunho do seu agente. Se o agente não estiver preparado, um prompt aparecerá na janela de teste. - Teste seu agente usando os seguintes exemplos de prompts e outras entradas:
- Crie uma nova reivindicação.
- Envie um lembrete de documentos pendentes ao segurado do sinistro 2s34w-8x.
- Reúna evidências para a reivindicação 5t16u-7v.
- Qual é o valor total da reivindicação 3b45c-9d?
- Qual é a estimativa total do reparo para a mesma reclamação?
- Que fatores determinam o prêmio do meu seguro automóvel?
- Como posso reduzir as taxas do meu seguro automóvel?
- Quais reivindicações têm status aberto?
- Envie lembretes a todos os segurados com reivindicações em aberto.
Certifique-se de escolher Preparar depois de fazer alterações para aplicá-las antes de testar o agente.
O exemplo de conversa de teste a seguir destaca a capacidade do agente de invocar APIs de grupos de ação com a lógica de negócios do AWS Lambda que consulta a tabela do Amazon DynamoDB de um cliente e envia notificações ao cliente usando o Amazon Simple Notification Service. O mesmo tópico de conversa mostra a integração do agente e da base de conhecimento para fornecer respostas ao usuário usando fontes de dados confiáveis do cliente, como valores de reclamações e documentos de perguntas frequentes.
Ferramentas de análise e depuração de agentes
Os rastreamentos de resposta do agente contêm informações essenciais para ajudar na compreensão da tomada de decisão do agente em cada estágio, facilitar a depuração e fornecer insights sobre áreas de melhoria. O ModelInvocationInput
O objeto dentro de cada rastreamento fornece configurações detalhadas usadas no processo de tomada de decisão do agente, permitindo que os clientes analisem e melhorem a eficácia do agente.
Seu agente classificará a entrada do usuário em uma das seguintes categorias:
- Categoria A – Entradas maliciosas ou prejudiciais, mesmo que sejam cenários fictícios.
- Categoria B – Entradas em que o usuário está tentando obter informações sobre quais funções, APIs ou instruções foram fornecidas ao nosso agente de chamada de função ou entradas que estão tentando manipular o comportamento ou as instruções do nosso agente de chamada de função ou de você.
- Categoria C – Perguntas que nosso agente de chamada de função não será capaz de responder ou fornecer informações úteis por usar apenas as funções que lhe foram fornecidas.
- Categoria D – Perguntas que podem ser respondidas ou auxiliadas por nosso agente de chamada de função usando apenas as funções fornecidas e argumentos internos
conversation_history
ou argumentos relevantes que pode reunir usando oaskuser
função. - Categoria E – Entradas que não são perguntas, mas sim respostas a uma pergunta que o agente chamador de função fez ao usuário. Os insumos só são elegíveis para esta categoria quando o
askuser
function é a última função que o agente chamador de função chamou na conversa. Você pode verificar isso lendo oconversation_history
.
Escolha Mostrar rastreamento sob uma resposta para visualizar as configurações e o processo de raciocínio do agente, incluindo a base de conhecimento e o uso do grupo de ação. Os rastreamentos podem ser expandidos ou recolhidos para análise detalhada. As respostas com informações de origem também contêm notas de rodapé para citações.
No exemplo de rastreamento de grupo de ação a seguir, o agente mapeia a entrada do usuário para o create-claim
grupo de ação createClaim
função durante o pré-processamento. O agente possui uma compreensão desta função com base nas instruções do agente, na descrição do grupo de ação e no esquema OpenAPI. Durante o processo de orquestração, que neste caso consiste em duas etapas, o agente invoca o createClaim
função e recebe uma resposta que inclui o ID da reivindicação recém-criado e uma lista de documentos pendentes.
No exemplo de rastreamento da base de conhecimento a seguir, o agente mapeia a entrada do usuário para a Categoria D durante o pré-processamento, o que significa que uma das funções disponíveis do agente deve ser capaz de fornecer uma resposta. Durante a orquestração, o agente pesquisa a base de conhecimento, extrai os pedaços relevantes usando embeddings e passa esse texto para o modelo básico para gerar uma resposta final.
Implante a IU da web Streamlit para seu agente
Quando estiver satisfeito com o desempenho do seu agente e da base de conhecimento, você estará pronto para produzir seus recursos. Nós usamos Iluminado nesta solução para lançar um exemplo de front-end, destinado a emular uma aplicação de produção. Streamlit é uma biblioteca Python projetada para agilizar e simplificar o processo de construção de aplicativos front-end. Nosso aplicativo oferece dois recursos:
- Entrada de prompt do agente – Permite aos usuários invocar o agente usando sua própria entrada de tarefa.
- Upload do arquivo da base de conhecimento – Permite que o usuário carregue seus arquivos locais no bucket S3 que está sendo usado como fonte de dados para a base de conhecimento. Após o upload do arquivo, o aplicativo inicia um trabalho de ingestão para sincronizar a fonte de dados da base de conhecimento.
Para isolar nossas dependências de aplicativos Streamlit e para facilitar a implantação, usamos o setup-streamlit-env.sh shell script para criar um ambiente Python virtual com os requisitos instalados. Conclua as seguintes etapas:
- Antes de executar o script de shell, navegue até o diretório onde você clonou o
amazon-bedrock-samples
repositório e modifique as permissões de script do shell Streamlit para executável:
- Execute o script shell para ativar o ambiente virtual Python com as dependências necessárias:
- Defina o ID do agente do Amazon Bedrock, o ID do alias do agente, o ID da base de conhecimento, o ID da fonte de dados, o nome do bucket da base de conhecimento e as variáveis de ambiente da região da AWS:
- Execute seu aplicativo Streamlit e comece a testar em seu navegador local:
limpar
Para evitar cobranças na sua conta da AWS, limpe os recursos provisionados da solução
A delete-customer-resources.sh O shell script esvazia e exclui o bucket S3 da solução e exclui os recursos que foram originalmente provisionados do bedrock-customer-resources.yml
Pilha CloudFormation. Os comandos a seguir usam o nome de pilha padrão. Se você personalizou o nome da pilha, ajuste os comandos de acordo.
O anterior ./delete-customer-resources.sh
O comando shell executa os seguintes comandos da AWS CLI para excluir a pilha de recursos do cliente emulada e o bucket S3:
Para excluir seu agente e base de conhecimento, siga as instruções para excluir um agente e excluindo uma base de conhecimento, Respectivamente.
Considerações
Embora a solução demonstrada mostre os recursos dos agentes e das bases de conhecimento do Amazon Bedrock, é importante entender que essa solução não está pronta para produção. Em vez disso, serve como um guia conceitual para clientes que desejam criar agentes personalizados para suas próprias tarefas específicas e fluxos de trabalho automatizados. Os clientes que pretendem a implantação em produção devem refinar e adaptar este modelo inicial, tendo em mente os seguintes fatores de segurança:
- Acesso seguro a APIs e dados:
- Restrinja o acesso a APIs, bancos de dados e outros sistemas integrados a agentes.
- Utilize controle de acesso, gerenciamento de segredos e criptografia para evitar acesso não autorizado.
- Validação e higienização de entrada:
- Valide e higienize as entradas do usuário para evitar ataques de injeção ou tentativas de manipular o comportamento do agente.
- Estabeleça regras de entrada e mecanismos de validação de dados.
- Controles de acesso para gerenciamento e teste de agentes:
- Implemente controles de acesso adequados para consoles e ferramentas usadas para editar, testar ou configurar o agente.
- Limite o acesso a desenvolvedores e testadores autorizados.
- Segurança da infraestrutura:
- Siga as práticas recomendadas de segurança da AWS em relação a VPCs, sub-redes, grupos de segurança, registro e monitoramento para proteger a infraestrutura subjacente.
- Validação de instruções do agente:
- Estabeleça um processo meticuloso para revisar e validar as instruções do agente para evitar comportamentos não intencionais.
- Teste e auditoria:
- Teste exaustivamente o agente e os componentes integrados.
- Implemente auditoria, registro e testes de regressão de conversas de agentes para detectar e resolver problemas.
- Segurança da base de conhecimento:
- Se os usuários puderem aumentar a base de conhecimento, valide os uploads para evitar ataques de envenenamento.
Para outras considerações importantes, consulte Crie agentes de IA generativos com Amazon Bedrock, Amazon DynamoDB, Amazon Kendra, Amazon Lex e LangChain.
Conclusão
A implementação de agentes generativos de IA usando agentes e bases de conhecimento para Amazon Bedrock representa um avanço significativo nas capacidades operacionais e de automação das organizações. Essas ferramentas não apenas simplificam o ciclo de vida dos sinistros de seguros, mas também estabelecem um precedente para a aplicação de IA em vários outros domínios empresariais. Ao automatizar tarefas, melhorar o atendimento ao cliente e melhorar os processos de tomada de decisão, esses agentes de IA capacitam as organizações a se concentrarem no crescimento e na inovação, ao mesmo tempo em que lidam com tarefas rotineiras e complexas de forma eficiente.
À medida que continuamos a testemunhar a rápida evolução da IA, o potencial de ferramentas como Agentes e Bases de Conhecimento para Amazon Bedrock na transformação das operações de negócios é imenso. As empresas que utilizam estas tecnologias podem obter uma vantagem competitiva significativa, marcada por maior eficiência, satisfação do cliente e tomada de decisões. O futuro do gerenciamento e das operações de dados empresariais está inegavelmente inclinado para uma maior integração de IA, e a Amazon Bedrock está na vanguarda dessa transformação.
Para saber mais, visite Agentes da Amazon Bedrock, consulte o Documentação do Amazon Bedrock, Explore o espaço generativo de IA em community.awse coloque a mão na massa com o Oficina Amazon Bedrock.
Sobre o autor
Kyle T. Blocksom é arquiteto de soluções sênior da AWS e mora no sul da Califórnia. A paixão de Kyle é unir as pessoas e aproveitar a tecnologia para fornecer soluções que os clientes adorem. Fora do trabalho, ele gosta de surfar, comer, lutar com o cachorro e mimar a sobrinha e o sobrinho.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/automate-the-insurance-claim-lifecycle-using-agents-and-knowledge-bases-for-amazon-bedrock/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 10
- 100
- 1040
- 11
- 19
- 500
- 7
- 8
- 9
- a
- habilidade
- Capaz
- Sobre
- abstração
- acelera
- Acesso
- acidente
- conformemente
- Conta
- precisão
- exatamente
- em
- Aja
- Açao Social
- ações
- ativado
- ativando
- adaptar
- adicionar
- Adicional
- endereço
- aderência
- avançado
- avanço
- Vantagem
- Depois de
- Agente
- agentes
- AI
- Ajuda
- Visando
- visa
- alinhamento
- Todos os Produtos
- permitir
- Permitindo
- permite
- já
- tb
- alternativa
- Amazon
- Amazona Kendra
- Amazon-Lex
- Amazon Web Services
- quantidade
- quantidades
- an
- análise
- analisar
- e
- responder
- respostas
- Antrópico
- antecipa
- qualquer
- api
- APIs
- aparecer
- aparece
- Aplicação
- aplicações
- Aplicar
- arquitetura
- SOMOS
- áreas
- argumentos
- por aí
- AS
- avaliar
- avaliação
- auxiliar
- assistentes
- assistida
- Jurídico
- associado
- At
- Ataques
- Tentativas
- auditoria
- aumentar
- aumentado
- autorizado
- automatizar
- Automatizado
- automatizando
- Automação
- disponível
- evitar
- AWS
- Formação da Nuvem AWS
- AWS Lambda
- bandeira
- base
- baseado
- BE
- sido
- antes
- começar
- lado
- comportamento
- comportamentos
- ser
- MELHOR
- melhores práticas
- entre
- impulsionar
- ambos
- Quebra
- trazer
- navegador
- construir
- Prédio
- construído
- carga
- negócio
- mas a
- by
- Califórnia
- chamado
- chamada
- chamadas
- CAN
- capacidades
- carro
- casas
- Categorias
- categorizando
- Categoria
- CD
- alterar
- Alterações
- acusações
- bate-papo
- verificar
- Escolha
- escolha
- reivindicar
- reivindicações
- limpar
- remover filtragem
- cli
- de perto
- código
- colapso
- coleção
- comunidade
- Empresas
- Empresa
- comparações
- competitivo
- completar
- integrações
- componentes
- compreensivo
- composta
- conceptual
- condição
- Conduzir
- Configuração
- configurado
- Confirmar
- Contato
- Considerações
- consiste
- cônsul
- consoles
- consultar
- não contenho
- conteúdo
- Geração de Conteúdo
- contexto
- Contextos
- contextual
- continuar
- continua
- contínuo
- ao controle
- controles
- Convenção
- Conversa
- conversas
- convertido
- coordenando
- corretamente
- Correspondente
- Custo
- custos
- acoplado
- cobertura
- artesanato
- crio
- criado
- cria
- Criar
- criação
- Criatividade
- crítico
- cura
- cliente
- dados do cliente
- A satisfação do cliente
- Atendimento ao Cliente
- Suporte ao cliente
- Clientes
- personalização
- personalizado
- dados,
- entrada de dados
- gestão de dados
- bases de dados
- decisão
- Tomada de Decisão
- dedutível
- Padrão
- definir
- definido
- entregar
- demonstração
- demonstraram
- dependências
- implantar
- implantado
- desenvolvimento
- descrição
- projetado
- detalhado
- detalhes
- descobrir
- Determinar
- determinado
- desenvolvedores
- Desenvolvimento
- desenvolve
- diagnóstico
- diagrama
- diretamente
- dirigindo
- diretamente
- inválido
- discutir
- Ecrã
- diferente
- do
- documento
- documentação
- INSTITUCIONAIS
- parece
- Cachorro
- domínios
- down
- rascunho
- motorista
- durante
- e
- cada
- Mais cedo
- facilidade
- eco
- borda
- efetivamente
- eficácia
- eficiência
- eficiente
- eficientemente
- esforço
- elegível
- e-mails
- embutindo
- colaboradores
- empregando
- autorizar
- capacitação
- permite
- permitindo
- criptografia
- end-to-end
- engajar
- aumentar
- aprimorando
- enriquecido
- garantir
- assegurando
- Entrar
- Empreendimento
- empresas
- entrada
- Meio Ambiente
- essencial
- estabelecer
- estabelecido
- estimativa
- estimativas
- avaliar
- avaliação
- avaliação
- Mesmo
- evidência
- evolução
- evolui
- exemplo
- exemplos
- Excel
- execução
- existente
- Expandir
- expandido
- esperado
- explorar
- Explorando
- exportar
- extenso
- facilitar
- fatores
- Perguntas frequentes
- Funcionalidades
- fictício
- Envie o
- Arquivos
- final
- Finalmente
- Primeiro nome
- Foco
- seguir
- seguinte
- segue
- Escolha
- Frente
- formato
- Foundation
- Fundacional
- da
- totalmente
- função
- funcionalidade
- funções
- futuro
- g1
- Ganho
- reunir
- coleta
- Geral
- gerar
- gerado
- gerando
- geração
- generativo
- IA generativa
- ter
- concessão
- maior
- Verde
- Grupo
- Do grupo
- Growth
- guia
- orientações
- Guias
- Manipulação
- mãos em
- prejudicial
- arreios
- Ter
- he
- útil
- Alta performance
- destaques
- sua
- história
- titular
- titulares
- Como funciona o dobrador de carta de canal
- HTML
- http
- HTTPS
- humano
- Recursos Humanos
- i
- ÍCONE
- ícones
- ID
- identifica
- identificar
- identificar
- Identidade
- ids
- if
- ilustra
- imagens
- imenso
- implementação
- importante
- melhorar
- melhorado
- melhoria
- melhorias
- melhorar
- in
- inativo
- incluído
- inclui
- Incluindo
- incorporando
- índice
- INFORMAÇÕES
- Infraestrutura
- do estado inicial,
- inicialmente
- iniciar
- Inovação
- entrada
- inputs
- Inquéritos
- insights
- instalado
- em vez disso
- instruções
- com seguro
- integrado
- Integração
- integração
- integrações
- Pretendido
- interagir
- interações
- interno
- interpretação
- interpretar
- para dentro
- invoca
- envolve
- envolvendo
- questões
- IT
- iterações
- ESTÁ
- json
- apenas por
- manutenção
- Chave
- Conhecimento
- Gestão do Conhecimento
- kyle
- língua
- grande
- Grandes empresas
- Sobrenome
- mais tarde
- mais recente
- lançamento
- camada
- principal
- APRENDER
- Deixar
- partida
- esquerda
- Nível
- Alavancagem
- Biblioteca
- wifecycwe
- como
- Line
- ligado
- Lista
- Listado
- local
- logging
- lógica
- lógico
- gosta,
- diminuir
- fazer
- FAZ
- Fazendo
- malicioso
- manejável
- gerenciados
- de grupos
- manualmente
- mapas
- marcado
- significado
- medidas
- mecanismos
- método
- meticuloso
- mente
- minimizando
- desaparecido
- MIT
- modelo
- modelos
- modificar
- monitoração
- mais
- Além disso
- a maioria
- múltiplo
- devo
- my
- nome
- nomeando
- natural
- Natureza
- Navegar
- Navegação
- necessário
- necessidade
- necessário
- Cria
- Novo
- recentemente
- Próximo
- nota
- notificação
- notificações
- agora
- objeto
- objetivo
- observação
- of
- oferecendo treinamento para distância
- on
- ONE
- só
- aberto
- operar
- operacional
- Operações
- oportunidades
- Oportunidade
- ideal
- Otimiza
- Opção
- or
- orquestrando
- orquestração
- organização
- organizações
- origem
- originalmente
- Outros
- A Nossa
- esboço
- delineando
- saída
- outputs
- lado de fora
- global
- em cima
- Visão geral
- próprio
- pacote
- acondicionamento
- página
- pares
- pão
- parâmetros
- particular
- passes
- paixão
- caminhos
- pendente
- Pessoas
- Realizar
- atuação
- permissões
- Personalizado
- fase
- platão
- Inteligência de Dados Platão
- PlatãoData
- Jogar
- ponto
- envenenamento
- Privacidade
- populosa
- possui
- Publique
- potencial
- poderoso
- práticas
- Precedente
- precedente
- Precisão
- Premium
- preparação
- Preparar
- preparado
- preparação
- evitar
- política de privacidade
- privado
- procedimentos
- processo
- processos
- em processamento
- Produção
- solicita
- adequado
- fornecer
- fornecido
- fornece
- fornecendo
- provisão
- Pullover
- propósito
- Python
- qualidade
- consultas
- pergunta
- questão
- Frequentes
- trapo
- alcance
- rápido
- Taxa
- Preços
- em vez
- raciocínio
- Reagir
- Leitura
- pronto
- mundo real
- razão
- recebe
- Recomenda
- gravação
- reduz
- redução
- referir
- referenciada
- refinar
- em relação a
- região
- regularmente
- relacionado
- relevância
- relevante
- lembrete
- remoto
- reparar
- repetitivo
- Denunciar
- repositório
- representar
- representa
- pedidos
- requeridos
- Requisitos
- Resolução
- Recursos
- respectivamente
- Responder
- resposta
- respostas
- responsável
- resultar
- retorno
- voltar
- rever
- rotina
- regras
- Execute
- é executado
- tempo de execução
- s
- mesmo
- amostra
- satisfação
- satisfeito
- satisfeito com
- Escala
- cenários
- escrita
- desatado
- sem problemas
- Pesquisar
- pesquisas
- pesquisar
- Segundo
- segredos!
- seções
- assegurando
- segurança
- Vejo
- segmentação
- selecionar
- selecionado
- semântico
- enviar
- envio
- envia
- Seqüência
- Série
- serve
- serviço
- Serviços
- conjunto
- contexto
- Configurações
- vários
- compartilhado
- concha
- rede de apoio social
- periodo
- de forma considerável
- simples
- simplificar
- simular
- solteiro
- senta
- menor
- solução
- Soluções
- alguns
- fonte
- de origem
- Fontes
- do sul
- Espaço
- especializado
- específico
- especificada
- especificando
- pilha
- Etapa
- suporte
- Status
- Passo
- Passos
- Ainda
- armazenamento
- loja
- armazenadas
- lojas
- Estratégico
- simplificar
- racionalização
- estilo
- sub-redes
- subseqüente
- bem sucedido
- tal
- supply
- ajuda
- certo
- sincronizar.
- sintético
- sistemas
- mesa
- Tarefa
- tarefas
- Dados Técnicos:
- técnica
- Tecnologias
- Tecnologia
- modelo
- teste
- testadores
- ensaio
- testes
- texto
- que
- A
- O Futuro
- A fonte
- deles
- Eles
- então
- assim sendo
- Este
- deles
- coisas
- Terceiro
- isto
- três
- Através da
- todo
- tempo
- para
- juntos
- ferramenta
- ferramentas
- tópico
- Total
- para
- Traçar
- Traçado
- Transformação
- transformado
- transformando
- tentando
- dois
- ui
- incapaz
- não autorizado
- inegavelmente
- para
- sofrer
- subjacente
- compreender
- compreensão
- entende
- carregado
- sobre
- URL
- Uso
- usar
- usava
- Utilizador
- usuários
- usos
- utilização
- utilizado
- VALIDAR
- validando
- validação
- Valores
- variável
- vário
- Verificação
- verificar
- versátil
- versão
- Ver
- Virtual
- Visite a
- esperar
- queremos
- we
- web
- navegador web
- serviços web
- foram
- quando
- enquanto que
- qual
- enquanto
- de quem
- Largo
- Ampla variedade
- precisarão
- janela
- de
- dentro
- sem
- testemunha
- Atividades:
- trabalhar juntos
- de gestão de documentos
- fluxos de trabalho
- trabalhar
- Vocês
- investimentos
- zefirnet
- Zip