ใช้ RAG เพื่อการค้นพบยาด้วยฐานความรู้สำหรับ Amazon Bedrock | อเมซอนเว็บเซอร์วิส

อเมซอน เบดร็อค นำเสนอโมเดลที่หลากหลายจาก Amazon และผู้ให้บริการบุคคลที่สาม รวมถึง Anthropic, AI21, Meta, Cohere และ Stability AI และครอบคลุมกรณีการใช้งานที่หลากหลาย รวมถึงการสร้างข้อความและรูปภาพ การฝัง การแชท ตัวแทนระดับสูง ด้วยการใช้เหตุผลและการเรียบเรียง และอื่นๆ อีกมากมาย ฐานความรู้สำหรับ Amazon Bedrock ช่วยให้คุณสร้างแอปพลิเคชันดึงข้อมูล Augmented Generation (RAG) ที่มีประสิทธิภาพและปรับแต่งได้บน AWS และร้านค้าเวกเตอร์ของบริษัทอื่นโดยใช้ทั้งโมเดล AWS และของบริษัทอื่น ฐานความรู้สำหรับ Amazon Bedrock ทำการซิงโครไนซ์ข้อมูลของคุณกับร้านค้าเวกเตอร์ของคุณโดยอัตโนมัติ รวมถึงการกระจายข้อมูลเมื่อมีการอัปเดต การโหลดเอกสาร และการแยกส่วน รวมถึงการฝังความหมาย ช่วยให้คุณสามารถปรับแต่งการแจ้งเตือน RAG และกลยุทธ์การดึงข้อมูลได้อย่างราบรื่น—เราจัดเตรียมการระบุแหล่งที่มา และเราจัดการการจัดการหน่วยความจำโดยอัตโนมัติ ฐานความรู้เป็นแบบไร้เซิร์ฟเวอร์โดยสมบูรณ์ ดังนั้นคุณไม่จำเป็นต้องจัดการโครงสร้างพื้นฐานใดๆ และเมื่อใช้ฐานความรู้ คุณจะถูกเรียกเก็บเงินเฉพาะโมเดล ฐานข้อมูลเวกเตอร์ และพื้นที่จัดเก็บที่คุณใช้เท่านั้น

RAG เป็นเทคนิคยอดนิยมที่รวมการใช้ข้อมูลส่วนตัวเข้ากับโมเดลภาษาขนาดใหญ่ (LLM) RAG เริ่มต้นด้วยขั้นตอนเริ่มต้นในการดึงเอกสารที่เกี่ยวข้องจากที่เก็บข้อมูล (โดยทั่วไปคือดัชนีเวกเตอร์) ตามคำค้นหาของผู้ใช้ จากนั้นจะใช้โมเดลภาษาเพื่อสร้างการตอบกลับโดยพิจารณาทั้งเอกสารที่ดึงมาและการสืบค้นต้นฉบับ

ในโพสต์นี้ เราจะสาธิตวิธีสร้างเวิร์กโฟลว์ RAG โดยใช้ฐานความรู้สำหรับ Amazon Bedrock สำหรับกรณีใช้งานการค้นคว้ายา

ภาพรวมของฐานความรู้สำหรับ Amazon Bedrock

ฐานความรู้สำหรับ Amazon Bedrock รองรับไฟล์ประเภททั่วไปที่หลากหลาย รวมถึง .txt, .docx, .pdf, .csv และอื่นๆ เพื่อให้ดึงข้อมูลจากข้อมูลส่วนตัวได้อย่างมีประสิทธิภาพ แนวปฏิบัติทั่วไปคือการแบ่งเอกสารเหล่านี้ออกเป็นส่วนๆ ที่สามารถจัดการได้ก่อน ฐานความรู้ได้ใช้กลยุทธ์การแบ่งส่วนเริ่มต้นซึ่งทำงานได้ดีในกรณีส่วนใหญ่เพื่อให้คุณเริ่มต้นได้เร็วขึ้น หากคุณต้องการการควบคุมที่มากขึ้น ฐานความรู้ช่วยให้คุณควบคุมกลยุทธ์การแยกส่วนผ่านชุดตัวเลือกที่กำหนดค่าไว้ล่วงหน้า คุณสามารถควบคุมขนาดโทเค็นสูงสุดและจำนวนการทับซ้อนที่จะสร้างข้ามส่วนต่างๆ เพื่อให้บริบทที่สอดคล้องกันสำหรับการฝัง ฐานความรู้สำหรับ Amazon Bedrock จัดการกระบวนการซิงโครไนซ์ข้อมูลจากของคุณ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) แบ่งออกเป็นชิ้นเล็กๆ สร้างการฝังเวกเตอร์ และจัดเก็บการฝังไว้ในดัชนีเวกเตอร์ กระบวนการนี้มาพร้อมกับการกระจายอัจฉริยะ ปริมาณงาน และการจัดการความล้มเหลว

ณ รันไทม์ โมเดลแบบฝังจะใช้เพื่อแปลงคำค้นหาของผู้ใช้เป็นเวกเตอร์ จากนั้นดัชนีเวกเตอร์จะถูกสอบถามเพื่อค้นหาเอกสารที่คล้ายกับข้อความค้นหาของผู้ใช้โดยการเปรียบเทียบเวกเตอร์เอกสารกับเวกเตอร์ข้อความค้นหาของผู้ใช้ ในขั้นตอนสุดท้าย เอกสารที่คล้ายกันทางความหมายซึ่งดึงมาจากดัชนีเวกเตอร์จะถูกเพิ่มเป็นบริบทสำหรับการสืบค้นผู้ใช้ดั้งเดิม เมื่อสร้างการตอบกลับสำหรับผู้ใช้ เอกสารที่มีความหมายคล้ายกันจะถูกแจ้งในโมเดลข้อความ พร้อมด้วยการระบุแหล่งที่มาสำหรับการตรวจสอบย้อนกลับ

ฐานความรู้สำหรับ Amazon Bedrock รองรับฐานข้อมูลเวกเตอร์หลายฐานข้อมูล ซึ่งรวมถึง Amazon OpenSearch แบบไร้เซิร์ฟเวอร์, อเมซอน ออโรร่า, Pinecone และ Redis Enterprise Cloud API การดึงข้อมูลและ RestoreeAndGenerate ช่วยให้แอปพลิเคชันของคุณสามารถสืบค้นดัชนีได้โดยตรงโดยใช้ไวยากรณ์แบบครบวงจรและเป็นมาตรฐาน โดยไม่ต้องเรียนรู้ API แยกกันสำหรับฐานข้อมูลเวกเตอร์แต่ละฐานข้อมูล ซึ่งช่วยลดความจำเป็นในการเขียนการสืบค้นดัชนีแบบกำหนดเองกับร้านค้าเวกเตอร์ของคุณ API การดึงข้อมูลรับการสืบค้นที่เข้ามา แปลงเป็นเวกเตอร์ที่ฝัง และสืบค้นที่จัดเก็บแบ็กเอนด์โดยใช้อัลกอริทึมที่กำหนดค่าไว้ที่ระดับฐานข้อมูลเวกเตอร์ RestoreeAndGenerate API ใช้ LLM ที่ผู้ใช้กำหนดค่าโดย Amazon Bedrock และสร้างคำตอบสุดท้ายในภาษาธรรมชาติ การสนับสนุนการตรวจสอบย้อนกลับดั้งเดิมจะแจ้งแอปพลิเคชันที่ร้องขอเกี่ยวกับแหล่งที่มาที่ใช้ในการตอบคำถาม สำหรับการใช้งานระดับองค์กร ฐานความรู้รองรับ บริการจัดการคีย์ AWS การเข้ารหัส (AWS KMS) AWS CloudTrail การผสานรวม และอื่นๆ

ในส่วนต่อไปนี้ เราจะสาธิตวิธีสร้างเวิร์กโฟลว์ RAG โดยใช้ฐานความรู้สำหรับ Amazon Bedrock ซึ่งได้รับการสนับสนุนโดยกลไกเวกเตอร์ OpenSearch Serverless เพื่อวิเคราะห์ชุดข้อมูลการทดลองทางคลินิกที่ไม่มีโครงสร้างสำหรับกรณีการใช้งานในการค้นคว้ายา ข้อมูลนี้มีข้อมูลมากมายแต่สามารถมีความหลากหลายได้อย่างมาก การจัดการคำศัพท์เฉพาะทางและแนวคิดในรูปแบบต่างๆ อย่างเหมาะสมถือเป็นสิ่งสำคัญในการตรวจจับข้อมูลเชิงลึกและรับประกันความสมบูรณ์ของการวิเคราะห์ ด้วยฐานความรู้สำหรับ Amazon Bedrock คุณสามารถเข้าถึงข้อมูลโดยละเอียดผ่านการสืบค้นที่เรียบง่ายและเป็นธรรมชาติ

สร้างฐานความรู้สำหรับ Amazon Bedrock

ในส่วนนี้ เราจะสาธิตกระบวนการสร้างฐานความรู้สำหรับ Amazon Bedrock ผ่านคอนโซล ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Bedrock ด้านล่าง orchestration ในบานหน้าต่างนำทาง ให้เลือก ฐานความรู้.
2. Choose สร้างฐานความรู้.

3. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร รายละเอียดฐานความรู้ ส่วน ให้ป้อนชื่อและคำอธิบายเพิ่มเติม
4. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร สิทธิ์ IAM เลือก สร้างและใช้บทบาทบริการใหม่.
5. สำหรับ บทบาทชื่อบริการให้ป้อนชื่อบทบาทของคุณซึ่งต้องขึ้นต้นด้วย AmazonBedrockExecutionRoleForKnowledgeBase_.
6. Choose ถัดไป.

7. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร แหล่งข้อมูล ป้อนชื่อแหล่งข้อมูลของคุณและ S3 URI ที่ชุดข้อมูลอยู่ ฐานความรู้รองรับรูปแบบไฟล์ต่อไปนี้:
   • ข้อความธรรมดา (.txt)
   • มาร์กดาวน์ (.md)
   • ภาษามาร์กอัปไฮเปอร์เท็กซ์ (.html)
   • เอกสารไมโครซอฟต์เวิร์ด (.doc/.docx)
   • ค่าที่คั่นด้วยเครื่องหมายจุลภาค (.csv)
   • สเปรดชีต Microsoft Excel (.xls/.xlsx)
   • รูปแบบเอกสารพกพา (.pdf)

8. ภายใต้ การตั้งค่าเพิ่มเติมธเลือกกลยุทธ์การแยกชิ้นที่คุณต้องการ (สำหรับโพสต์นี้เราเลือก) การตัดเป็นชิ้นขนาดคงที่) และระบุขนาดชิ้นและการซ้อนทับเป็นเปอร์เซ็นต์ หรือคุณสามารถใช้การตั้งค่าเริ่มต้นได้
9. Choose ถัดไป.

10. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร โมเดลการฝัง เลือกโมเดล Titan Embeddings จาก Amazon Bedrock
11. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร ฐานข้อมูลเวกเตอร์ เลือก สร้างร้านค้าเวกเตอร์ใหม่อย่างรวดเร็วซึ่งจัดการกระบวนการตั้งค่าร้านค้าเวกเตอร์
12. Choose ถัดไป.

13. ตรวจสอบการตั้งค่าและเลือก สร้างฐานความรู้.

14. รอให้การสร้างฐานความรู้เสร็จสมบูรณ์และยืนยันสถานะเป็น พร้อม.
15. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร แหล่งข้อมูล หรือบนแบนเนอร์ที่ด้านบนของหน้าหรือป๊อปอัปในหน้าต่างทดสอบ ให้เลือก ซิงค์ เพื่อทริกเกอร์กระบวนการโหลดข้อมูลจากบัคเก็ต S3 โดยแยกออกเป็นชิ้นตามขนาดที่คุณระบุ สร้างการฝังเวกเตอร์โดยใช้โมเดลการฝังข้อความที่เลือก และจัดเก็บไว้ในร้านค้าเวกเตอร์ที่จัดการโดยฐานความรู้สำหรับ Amazon Bedrock

ฟังก์ชันซิงค์รองรับการนำเข้า อัปเดต และลบเอกสารจากดัชนีเวกเตอร์ตามการเปลี่ยนแปลงในเอกสารใน Amazon S3 คุณยังสามารถใช้ StartIngestionJob API เพื่อทริกเกอร์การซิงค์ผ่าน AWS SDK

เมื่อการซิงค์เสร็จสมบูรณ์ ประวัติการซิงค์จะแสดงสถานะ เสร็จเรียบร้อย.

สอบถามฐานความรู้

ในส่วนนี้ เราจะสาธิตวิธีเข้าถึงข้อมูลโดยละเอียดในฐานความรู้ผ่านการสืบค้นที่ตรงไปตรงมาและเป็นธรรมชาติ เราใช้ชุดข้อมูลสังเคราะห์ที่ไม่มีโครงสร้างซึ่งประกอบด้วยไฟล์ PDF หมายเลขหน้าของแต่ละหน้ามีตั้งแต่ 10–100 หน้า จำลองแผนการทดลองทางคลินิกของยาใหม่ที่เสนอ รวมถึงวิธีการวิเคราะห์ทางสถิติและแบบฟอร์มยินยอมของผู้เข้าร่วม เราใช้ฐานความรู้สำหรับ Amazon Bedrock retrieve_and_generate และ retrieve API ด้วย การรวม Amazon Bedrock LangChain.

ก่อนที่คุณจะสามารถเขียนสคริปต์ที่ใช้ Amazon Bedrock API คุณจะต้องติดตั้ง AWS SDK เวอร์ชันที่เหมาะสมในสภาพแวดล้อมของคุณ สำหรับสคริปต์ Python นี่จะเป็น AWS SDK สำหรับ Python (Boto3):

pip install langchain
pip install boto3

นอกจากนี้ เปิดใช้งานการเข้าถึงโมเดล Amazon Titan Embeddings และ Anthropic Claude v2 หรือ v1 สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การเข้าถึงโมเดล.

สร้างคำถามโดยใช้ Amazon Bedrock

เราสามารถใช้ Anthropic Claude 2.1 สำหรับ Amazon Bedrock เพื่อเสนอรายการคำถามที่จะถามในชุดข้อมูลการทดลองทางคลินิก:

import boto3
from langchain.llms.bedrock import Bedrock

bedrock_client = boto3.client("bedrock-runtime")

# Start with the query
prompt = "For medical research trial consent forms to sign, what are the top 5 questions can be asked?"

claude_llm = Bedrock(
    model_id="anthropic.claude-v2:1",
    model_kwargs={"temperature": 0, "top_k": 10, "max_tokens_to_sample": 3000},
    client=bedrock_client,
)

# Provide the prompt to the LLM to generate an answer to the query without any additional context provided
response = claude_llm(prompt)
questions = [
    item.split(".")[1].strip() for item in response.strip().split("nn")[1:-1]
]
questions
>>> answer:
'What is the purpose of the study? Make sure you understand the goals of the research and what the study procedures will entail',
'What are the risks and potential benefits? The form should explain all foreseeable risks, side effects, or discomforts you might experience from participating',
'What will participation involve? Get details on what tests, medications, lifestyle changes, or procedures you will go through, how much time it will take, and how long the study will last',
'Are there any costs or payments? Ask if you will be responsible for any costs related to the study or get paid for participating',
'How will my privacy be protected? The form should explain how your personal health information will be kept confidential before, during, and after the trial'

ใช้ Amazon Bedrock RetrieveAndGenerate API

สำหรับประสบการณ์ RAG ที่มีการจัดการเต็มรูปแบบ คุณสามารถใช้ฐานความรู้ดั้งเดิมสำหรับ Amazon Bedrock ได้ RetrieveAndGenerate API เพื่อรับคำตอบโดยตรง:

bedrock_agent_client = boto3.client("bedrock-agent-runtime")

kb_id = "<YOUR_KNOWLEDGE_BASE_ID>"

def retrieveAndGenerate(
    input: str,
    kbId: str,
    region: str = "us-east-1",
    sessionId: str = None,
    model_id: str = "anthropic.claude-v2:1",
):
    model_arn = f"arn:aws:bedrock:{region}::foundation-model/{model_id}"

    if sessionId:
        return bedrock_agent_client.retrieve_and_generate(
            input={"text": input},
            retrieveAndGenerateConfiguration={
                "type": "KNOWLEDGE_BASE",
                "knowledgeBaseConfiguration": {
                    "knowledgeBaseId": kbId,
                    "modelArn": model_arn,
                },
            },
            sessionId=sessionId,
        )

    else:
        return bedrock_agent_client.retrieve_and_generate(
            input={"text": input},
            retrieveAndGenerateConfiguration={
                "type": "KNOWLEDGE_BASE",
                "knowledgeBaseConfiguration": {
                    "knowledgeBaseId": kbId,
                    "modelArn": model_arn,
                },
            },
        )

response = retrieveAndGenerate(
    "What are the potential risks and benefits of participating?", kb_id
)

generated_text = response["output"]["text"]
>>> "The potential risks include side effects from the study medication lithium such as nausea, loose stools, thirst, urination changes, shakiness, headaches, sweating, fatigue, decreased concentration, and skin rash. There is also a risk of lithium interaction with other medications. For women, there is a risk of birth defects if lithium is taken during pregnancy. There are no guaranteed benefits, but possible benefits include new information that could help the participant from the interviews and tests conducted during the study."

แหล่งข้อมูลที่อ้างถึงสามารถรับได้ผ่านรหัสต่อไปนี้ (โดยบางส่วนของผลลัพธ์จะถูกแก้ไขเพื่อความกระชับ):

response["citations"]

>>> [
    {
        "generatedResponsePart": {
            "textResponsePart": {
                "text": " The potential risks include side effects from the study...",
                "span": {"start": 0, "end": 361},
            }
        },
        "retrievedReferences": [
            {
                "content": {
                    "text": "590 ICF#2 Page 7 of 19 The primary risks and discomforts of participation…"
                },
                "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
            },
            {
                "content": {
                    "text": "N/A CSP 590 ICF#2 Page 10 of 19 Risks associated with suddenly stopping study medications..."
                },
                "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
            },
        ],
    },
    {
        "generatedResponsePart": {
            "textResponsePart": {
                "text": " There are no guaranteed benefits, but possible benefits include...",
                "span": {"start": 363, "end": 531},
            }
        },
        "retrievedReferences": [
            {
                "content": {
                    "text": "research, not usual clinical care. After these are done we ask..."
                },
                "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
            }
        ],
    },
]

โดยการส่งผ่าน ID เซสชันของ RetrieveAndGenerate API คุณสามารถรักษาบริบทการสนทนาและถามคำถามติดตามผลได้ เช่น ถ้าไม่มีบริบท ถ้าถามรายละเอียดเพิ่มเติมจากคำตอบที่แล้วก็อาจจะตอบไม่ถูก:

retrieveAndGenerate("elaborate more on the first side effect", kb_id, sessionId=None)["output"]["text"]
>>> "The search results do not provide additional details about the mild nausea side effect that would allow me to elaborate further on it."

แต่ด้วยการส่งรหัสเซสชันไปป์ไลน์ RAG จะสามารถระบุบริบทที่เกี่ยวข้องและส่งกลับคำตอบที่เกี่ยวข้อง:

retrieveAndGenerate("elaborate more on the first side effect", kb_id, sessionId=response["sessionId"])["output"]["text"]
>>> "The search results provide details that nausea from taking lithium is usually mild and goes away after days or weeks for most people. Specifically, up to 75% of people may experience mild nausea when first starting lithium, but this goes away in 90-99% of people who continue taking it."

ตารางต่อไปนี้แสดงคำตอบที่ได้รับสำหรับคำถามที่เกี่ยวข้องทั้งหมด

สืบค้นโดยใช้ Amazon Bedrock Retrieve API

ในการปรับแต่งเวิร์กโฟลว์ RAG ของคุณ คุณสามารถใช้เรียกข้อมูล API เพื่อดึงข้อมูลชิ้นส่วนที่เกี่ยวข้องตามการสืบค้นของคุณ และส่งต่อไปยัง LLM ใดๆ ที่ Amazon Bedrock มอบให้ หากต้องการใช้เรียก API ให้กำหนดดังต่อไปนี้:

def retrieve(query: str, kbId: str, numberOfResults: int = 5):
    return bedrock_agent_client.retrieve(
        retrievalQuery={"text": query},
        knowledgeBaseId=kbId,
        retrievalConfiguration={
            "vectorSearchConfiguration": {"numberOfResults": numberOfResults}
        },
    )

ดึงข้อมูลบริบทที่เกี่ยวข้อง (โดยที่เอาต์พุตบางส่วนถูกแก้ไขเพื่อความกระชับ):

query = "What is the purpose of the medical research study?"
response = retrieve(query, kb_id, 3)
retrievalResults = response["retrievalResults"]
>>> [
    {
        "content": {"text": "You will not be charged for any procedures that..."},
        "location": {"type": "S3", "s3Location": {"uri": "s3://XXXXX/XXXX.pdf"}},
        "score": 0.6552521,
    },
    {
        "content": {"text": "and possible benefits of the study. You have been..."},
        "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
        "score": 0.6581577,
    },
    ...,
]

แยกบริบทสำหรับเทมเพลตพร้อมท์:

def get_contexts(retrievalResults):
    contexts = []
    for retrievedResult in retrievalResults:
        contexts.append(retrievedResult["content"]["text"])
    return " ".join(contexts)

contexts = get_contexts(retrievalResults)

นำเข้าโมดูล Python และตั้งค่าเทมเพลตพร้อมท์การตอบคำถามในบริบท จากนั้นสร้างคำตอบสุดท้าย:

from langchain.prompts import PromptTemplate

PROMPT_TEMPLATE = """
Human: You are an AI system working on medical trial research, and provides answers to questions 
by using fact based and statistical information when possible.
Use the following pieces of information to provide a concise answer to the question enclosed in <question> tags.
If you don't know the answer, just say that you don't know, don't try to make up an answer.

<context>
{context_str}
</context>

<question>
{query_str}
</question>

The response should be specific and use statistics or numbers when possible.

Assistant:"""

claude_prompt = PromptTemplate(
    template=PROMPT_TEMPLATE, input_variables=["context_str", "query_str"]
)

prompt = claude_prompt.format(context_str=contexts, query_str=query)
response = claude_llm(prompt)
>>> "Based on the context provided, the purpose of this medical research study is to evaluate the efficacy of lithium compared to a placebo in preventing suicide over a 1 year period. Specifically, participants will be randomly assigned to receive either lithium or a placebo pill for 1 year, with their doctors and the participants themselves not knowing which treatment they receive (double-blind). Blood lithium levels will be monitored and doses adjusted over the first 6-8 visits, then participants will be followed monthly for 1 year to assess outcomes."

สืบค้นโดยใช้การผสานรวม Amazon Bedrock LangChain

ในการสร้างแอปพลิเคชันถามตอบที่ปรับแต่งตั้งแต่ต้นทางถึงปลายทาง ฐานความรู้สำหรับ Amazon Bedrock จะมีการผสานรวมกับ LangChain หากต้องการตั้งค่าตัวดึงข้อมูล LangChain ให้ระบุ ID ฐานความรู้และระบุจำนวนผลลัพธ์ที่จะส่งคืนจากการสืบค้น:

from langchain.retrievers.bedrock import AmazonKnowledgeBasesRetriever

retriever = AmazonKnowledgeBasesRetriever(
    knowledge_base_id=kb_id,
    retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
)

ตอนนี้ให้ตั้งค่า LangChain RetrievalQA และสร้างคำตอบจากฐานความรู้:

from langchain.chains import RetrievalQA

qa = RetrievalQA.from_chain_type(
    llm=claude_llm,
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True,
    chain_type_kwargs={"prompt": claude_prompt},
)

[qa(q)["result"] for q in questions]

สิ่งนี้จะสร้างคำตอบที่สอดคล้องกันคล้ายกับคำตอบที่ระบุไว้ในตารางก่อนหน้านี้

ทำความสะอาด

อย่าลืมลบทรัพยากรต่อไปนี้เพื่อหลีกเลี่ยงการเรียกเก็บเงินเพิ่มเติม:

สรุป

Amazon Bedrock มอบชุดบริการบูรณาการเชิงลึกที่หลากหลายเพื่อขับเคลื่อนแอปพลิเคชัน RAG ทุกระดับ ทำให้การเริ่มต้นวิเคราะห์ข้อมูลบริษัทของคุณเป็นเรื่องง่าย ฐานความรู้สำหรับ Amazon Bedrock ผสานรวมกับโมเดลพื้นฐานของ Amazon Bedrock เพื่อสร้างไปป์ไลน์การฝังเอกสารที่ปรับขนาดได้และบริการเรียกค้นเอกสารเพื่อขับเคลื่อนแอปพลิเคชันภายในและที่ติดต่อกับลูกค้าที่หลากหลาย เรารู้สึกตื่นเต้นกับอนาคตข้างหน้า และความคิดเห็นของคุณจะมีบทบาทสำคัญในการชี้แนะความก้าวหน้าของผลิตภัณฑ์นี้ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับความสามารถของ Amazon Bedrock และฐานความรู้ โปรดดูที่ ฐานความรู้สำหรับ Amazon Bedrock.

เกี่ยวกับผู้เขียน

มาร์ครอย Ro เป็น Principal Machine Learning Architect สำหรับ AWS ช่วยลูกค้าออกแบบและสร้างโซลูชัน AI/ML งานของ Mark ครอบคลุมกรณีการใช้งาน ML ที่หลากหลาย โดยมีความสนใจหลักในด้านการมองเห็นของคอมพิวเตอร์ การเรียนรู้เชิงลึก และการปรับขนาด ML ทั่วทั้งองค์กร เขาได้ช่วยเหลือบริษัทต่างๆ ในหลายอุตสาหกรรม รวมถึงการประกันภัย บริการทางการเงิน สื่อและความบันเทิง การดูแลสุขภาพ สาธารณูปโภค และการผลิต Mark มี AWS Certification หกรายการ รวมถึง ML Specialty Certification ก่อนเข้าร่วม AWS มาร์คเป็นสถาปนิก นักพัฒนา และผู้นำด้านเทคโนโลยีมากว่า 25 ปี รวมถึงบริการทางการเงิน 19 ปี

มณี ขันุจา เป็นหัวหน้าฝ่ายเทคโนโลยี – ผู้เชี่ยวชาญด้าน AI ทั่วไป ผู้เขียนหนังสือ – Applied Machine Learning และ High Performance Computing บน AWS และเป็นสมาชิกของคณะกรรมการบริหารสำหรับสตรีในคณะกรรมการมูลนิธิการศึกษาด้านการผลิต เธอเป็นผู้นำโครงการการเรียนรู้ของเครื่อง (ML) ในโดเมนต่างๆ เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และ AI เชิงสร้างสรรค์ เธอช่วยลูกค้าในการสร้าง ฝึกอบรม และปรับใช้โมเดลแมชชีนเลิร์นนิงขนาดใหญ่ในวงกว้าง เธอพูดในการประชุมภายในและภายนอก เช่น re:Invent, Women in Manufacturing West, การสัมมนาผ่านเว็บของ YouTube และ GHC 23 ในเวลาว่าง เธอชอบวิ่งระยะยาวไปตามชายหาด

ดร.ไป่ชวน ซุนปัจจุบันทำหน้าที่เป็นสถาปนิกโซลูชันอาวุโส AI/ML ที่ AWS โดยมุ่งเน้นไปที่ AI เชิงสร้างสรรค์ และใช้ความรู้ของเขาในด้านวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องจักรเพื่อมอบโซลูชันธุรกิจบนระบบคลาวด์ที่ใช้งานได้จริง ด้วยประสบการณ์ในการให้คำปรึกษาด้านการจัดการและสถาปัตยกรรมโซลูชัน AI เขาจัดการกับความท้าทายที่ซับซ้อนมากมาย รวมถึงคอมพิวเตอร์วิทัศน์ด้านหุ่นยนต์ การคาดการณ์อนุกรมเวลา และการบำรุงรักษาเชิงคาดการณ์ และอื่นๆ อีกมากมาย งานของเขามีพื้นฐานมาจากการบริหารโครงการ การวิจัยและพัฒนาซอฟต์แวร์ และงานด้านวิชาการ นอกเหนือจากการทำงาน ดร. ซันยังสนุกกับความสมดุลระหว่างการเดินทางและการใช้เวลาร่วมกับครอบครัวและเพื่อนฝูง

ปั้นจั่น ชู เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ซึ่งมุ่งเน้นในการเร่งการเดินทางของลูกค้าสู่ระบบคลาวด์ และเปลี่ยนแปลงธุรกิจผ่านการปรับใช้โซลูชันบนระบบคลาวด์ ความเชี่ยวชาญของเขาคือการพัฒนาแอปพลิเคชันแบบฟูลสแตกและการเรียนรู้ของเครื่อง เขาช่วยลูกค้าออกแบบและสร้างโซลูชันแบบ end-to-end ที่ครอบคลุมอินเทอร์เฟซผู้ใช้ส่วนหน้า แอปพลิเคชัน IoT การรวม API และข้อมูล และโมเดลการเรียนรู้ของเครื่อง ในเวลาว่าง เขาสนุกกับการใช้เวลาอยู่กับครอบครัวและทดลองถ่ายภาพและวิดีโอ

แฟรงค์ วิงเคลอร์ เป็นสถาปนิกโซลูชันอาวุโสและผู้เชี่ยวชาญด้าน Generative AI ที่ AWS ซึ่งตั้งอยู่ในสิงคโปร์ โดยเน้นด้าน Machine Learning และ Generative AI เขาทำงานร่วมกับบริษัทดิจิทัลระดับโลกเพื่อออกแบบผลิตภัณฑ์และบริการที่ปรับขนาดได้ ปลอดภัย และคุ้มค่าบน AWS ในเวลาว่างเขาใช้เวลากับลูกชายและลูกสาวและท่องเที่ยวเพลิดเพลินไปกับคลื่นทั่วอาเซียน

นิเฮียร์ แชดเดอร์วาลา เป็นสถาปนิกอาวุโสด้านโซลูชัน AI/ML ในทีมการดูแลสุขภาพและวิทยาศาสตร์ชีวภาพระดับโลก ความเชี่ยวชาญของเขาคือการสร้างโซลูชัน Big Data และ AI เพื่อแก้ไขปัญหาของลูกค้า โดยเฉพาะอย่างยิ่งในด้านชีวการแพทย์ วิทยาศาสตร์ชีวภาพ และการดูแลสุขภาพ นอกจากนี้ เขายังรู้สึกตื่นเต้นกับการมาบรรจบกันของวิทยาการสารสนเทศควอนตัมและ AI และสนุกกับการเรียนรู้และมีส่วนร่วมในพื้นที่นี้ ในเวลาว่าง เขาชอบเล่นเทนนิส ท่องเที่ยว และเรียนรู้เกี่ยวกับจักรวาลวิทยา

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/use-rag-for-drug-discovery-with-knowledge-bases-for-amazon-bedrock/