ฐานความรู้สำหรับ Amazon Bedrock รองรับการค้นหาแบบไฮบริดแล้ว | อเมซอนเว็บเซอร์วิส

At AWS re:ประดิษฐ์ ในปี 2023 เราได้ประกาศความพร้อมใช้งานทั่วไปของ ฐานความรู้สำหรับ Amazon Bedrock. ด้วยฐานความรู้ คุณสามารถเชื่อมต่อโมเดลพื้นฐาน (FM) ได้อย่างปลอดภัย อเมซอน เบดร็อค ไปยังข้อมูลบริษัทของคุณสำหรับรุ่นดึงข้อมูลเสริม (RAG) ที่มีการจัดการเต็มรูปแบบ

ใน โพสต์ก่อนหน้านี้เราได้อธิบายว่าฐานความรู้สำหรับ Amazon Bedrock จัดการเวิร์กโฟลว์ RAG แบบ end-to-end ให้คุณอย่างไร และแบ่งปันรายละเอียดเกี่ยวกับการเปิดตัวคุณสมบัติล่าสุดบางส่วน

สำหรับแอปพลิเคชันที่ใช้ RAG ความแม่นยำของการตอบสนองที่สร้างขึ้นจากโมเดลภาษาขนาดใหญ่ (LLM) ขึ้นอยู่กับบริบทที่ให้ไว้กับโมเดล บริบทถูกดึงมาจากฐานข้อมูลเวกเตอร์ตามคำค้นหาของผู้ใช้ การค้นหาความหมายถูกนำมาใช้กันอย่างแพร่หลายเนื่องจากสามารถเข้าใจคำถามที่เหมือนมนุษย์ได้มากขึ้น คำค้นหาของผู้ใช้ไม่ได้เกี่ยวข้องโดยตรงกับคำหลักทุกประการในเนื้อหาที่ตอบคำถามเสมอไป การค้นหาความหมายช่วยให้คำตอบตามความหมายของข้อความ อย่างไรก็ตาม มีข้อจำกัดในการจับคำหลักที่เกี่ยวข้องทั้งหมด ประสิทธิภาพการทำงานขึ้นอยู่กับคุณภาพของคำที่ฝังไว้ซึ่งใช้เพื่อแสดงความหมายของข้อความ เพื่อเอาชนะข้อจำกัดดังกล่าว การรวมการค้นหาเชิงความหมายเข้ากับการค้นหาคำหลัก (ไฮบริด) จะให้ผลลัพธ์ที่ดีกว่า

ในโพสต์นี้ เราจะพูดถึงคุณลักษณะใหม่ของการค้นหาแบบไฮบริด ซึ่งคุณสามารถเลือกเป็นตัวเลือกคิวรีควบคู่ไปกับการค้นหาเชิงความหมายได้

ภาพรวมการค้นหาแบบไฮบริด

การค้นหาแบบไฮบริดใช้ประโยชน์จากจุดแข็งของอัลกอริธึมการค้นหาหลายแบบ โดยผสานรวมความสามารถเฉพาะตัวเพื่อเพิ่มความเกี่ยวข้องของผลลัพธ์การค้นหาที่ส่งคืน สำหรับแอปพลิเคชันที่ใช้ RAG ความสามารถในการค้นหาความหมายมักจะรวมกับการค้นหาตามคำหลักแบบดั้งเดิมเพื่อปรับปรุงความเกี่ยวข้องของผลการค้นหา ช่วยให้สามารถค้นหาทั้งเนื้อหาของเอกสารและความหมายที่ซ่อนอยู่ ตัวอย่างเช่น พิจารณาแบบสอบถามต่อไปนี้:

What is the cost of the book "<book_name>" on <website_name>?

ในการสืบค้นชื่อหนังสือและชื่อเว็บไซต์ การค้นหาคำหลักจะให้ผลลัพธ์ที่ดีกว่า เนื่องจากเราต้องการราคาของหนังสือเล่มใดเล่มหนึ่งโดยเฉพาะ อย่างไรก็ตาม คำว่า "ต้นทุน" อาจมีคำพ้องความหมาย เช่น "ราคา" ดังนั้นควรใช้การค้นหาเชิงความหมายซึ่งเข้าใจความหมายของข้อความจะดีกว่า การค้นหาแบบไฮบริดนำสิ่งที่ดีที่สุดของทั้งสองวิธีมา ได้แก่ ความแม่นยำในการค้นหาเชิงความหมายและความครอบคลุมของคำหลัก มันใช้งานได้ดีสำหรับแอปพลิเคชันที่ใช้ RAG ซึ่งรีทรีฟเวอร์ต้องจัดการกับข้อความค้นหาที่เป็นภาษาธรรมชาติที่หลากหลาย คำสำคัญช่วยครอบคลุมเอนทิตีเฉพาะในแบบสอบถาม เช่น ชื่อผลิตภัณฑ์ สี และราคา ในขณะที่อรรถศาสตร์จะเข้าใจความหมายและจุดประสงค์ภายในแบบสอบถามได้ดีขึ้น ตัวอย่างเช่น หากคุณต้องการสร้างแชทบอทสำหรับเว็บไซต์อีคอมเมิร์ซเพื่อจัดการกับคำถามของลูกค้า เช่น นโยบายการคืนสินค้าหรือรายละเอียดของสินค้า การใช้การค้นหาแบบไฮบริดจะเหมาะสมที่สุด

กรณีการใช้งานสำหรับการค้นหาแบบไฮบริด

ต่อไปนี้เป็นกรณีการใช้งานทั่วไปสำหรับการค้นหาแบบไฮบริด:

• เปิดโดเมนตอบคำถาม – สิ่งนี้เกี่ยวข้องกับการตอบคำถามในหัวข้อที่หลากหลาย ซึ่งจำเป็นต้องมีการค้นหาเอกสารจำนวนมากที่มีเนื้อหาหลากหลาย เช่น ข้อมูลเว็บไซต์ ซึ่งอาจรวมถึงหัวข้อต่างๆ เช่น ความยั่งยืน ความเป็นผู้นำ ผลลัพธ์ทางการเงิน และอื่นๆ การค้นหาความหมายเพียงอย่างเดียวไม่สามารถสรุปได้ดีสำหรับงานนี้ เนื่องจากขาดความสามารถในการจับคู่คำศัพท์ของเอนทิตีที่มองไม่เห็น ซึ่งเป็นสิ่งสำคัญสำหรับการจัดการตัวอย่างนอกโดเมน ดังนั้น การรวมการค้นหาตามคำหลักเข้ากับการค้นหาเชิงความหมายสามารถช่วยจำกัดขอบเขตให้แคบลงและให้ผลลัพธ์ที่ดีกว่าสำหรับการตอบคำถามในโดเมนแบบเปิด
• แชทบอทตามบริบท – บทสนทนาสามารถเปลี่ยนทิศทางได้อย่างรวดเร็วและครอบคลุมหัวข้อที่คาดเดาไม่ได้ การค้นหาแบบไฮบริดสามารถจัดการกับกล่องโต้ตอบปลายเปิดดังกล่าวได้ดีขึ้น
• การค้นหาในแบบของคุณ – การค้นหาระดับเว็บบนเนื้อหาที่ต่างกันจะได้รับประโยชน์จากแนวทางแบบไฮบริด การค้นหาเชิงความหมายจัดการกับข้อความค้นหายอดนิยม ในขณะที่คำหลักครอบคลุมข้อความค้นหาหางยาวที่หายาก

แม้ว่าการค้นหาแบบไฮบริดจะให้ความครอบคลุมที่กว้างขึ้นโดยการรวมสองวิธีเข้าด้วยกัน การค้นหาเชิงความหมายมีข้อได้เปรียบที่แม่นยำเมื่อโดเมนแคบและความหมายเชิงความหมายมีการกำหนดไว้อย่างดี หรือเมื่อมีที่ว่างน้อยสำหรับการตีความที่ผิด เช่น ระบบตอบคำถามตามข้อเท็จจริง

ประโยชน์ของการค้นหาแบบไฮบริด

ทั้งการค้นหาคำหลักและความหมายจะส่งกลับชุดผลลัพธ์ที่แยกจากกันพร้อมกับคะแนนความเกี่ยวข้อง ซึ่งจากนั้นจะรวมกันเพื่อแสดงผลลัพธ์ที่เกี่ยวข้องมากที่สุด ฐานความรู้สำหรับ Amazon Bedrock ปัจจุบันรองรับร้านค้าเวกเตอร์สี่แห่ง: Amazon OpenSearch แบบไร้เซิร์ฟเวอร์, Amazon Aurora PostgreSQL-รุ่นที่เข้ากันได้, ไพน์โคนและ Redis องค์กรคลาวด์. ในขณะที่เขียนบทความนี้ คุณลักษณะการค้นหาแบบไฮบริดจะพร้อมใช้งานสำหรับ OpenSearch Serverless และจะรองรับร้านค้าเวกเตอร์อื่นๆ ในเร็วๆ นี้

ต่อไปนี้คือข้อดีบางประการของการใช้การค้นหาแบบไฮบริด:

• ปรับปรุงความแม่นยำ – ความแม่นยำของการตอบสนองที่สร้างขึ้นจาก FM ขึ้นอยู่กับความเกี่ยวข้องของผลลัพธ์ที่ดึงมาโดยตรง จากข้อมูลของคุณ การปรับปรุงความแม่นยำของแอปพลิเคชันของคุณโดยใช้การค้นหาเชิงความหมายเพียงอย่างเดียวอาจเป็นเรื่องยาก ประโยชน์หลักของการใช้การค้นหาแบบไฮบริดคือการได้รับคุณภาพที่ดีขึ้นของผลลัพธ์ที่ดึงมา ซึ่งจะช่วยให้ FM สร้างคำตอบที่แม่นยำยิ่งขึ้น
• ขยายความสามารถในการค้นหา – การค้นหาคำหลักจะช่วยเพิ่มเครือข่ายให้กว้างขึ้นและค้นหาเอกสารที่อาจเกี่ยวข้องแต่อาจไม่มีโครงสร้างความหมายตลอดทั้งเอกสาร ช่วยให้คุณสามารถค้นหาคำหลักตลอดจนความหมายเชิงความหมายของข้อความ ซึ่งจะเป็นการขยายความสามารถในการค้นหา

ในส่วนต่อไปนี้ เราจะสาธิตวิธีใช้การค้นหาแบบไฮบริดกับฐานความรู้สำหรับ Amazon Bedrock

ใช้ตัวเลือกการค้นหาแบบไฮบริดและการค้นหาความหมายผ่าน SDK

เมื่อคุณเรียกใช้เรียก API ฐานความรู้สำหรับ Amazon Bedrock จะเลือกกลยุทธ์การค้นหาที่เหมาะสมสำหรับคุณเพื่อให้ได้ผลลัพธ์ที่เกี่ยวข้องมากที่สุด คุณมีตัวเลือกในการแทนที่เพื่อใช้การค้นหาแบบไฮบริดหรือการค้นหาความหมายใน API

ดึงข้อมูล API

API การเรียกข้อมูลได้รับการออกแบบมาเพื่อดึงผลการค้นหาที่เกี่ยวข้องโดยระบุคำค้นหาของผู้ใช้ รหัสฐานความรู้ และจำนวนผลลัพธ์ที่คุณต้องการให้ API ส่งคืน API นี้แปลงคำค้นหาของผู้ใช้เป็นการฝัง ค้นหาฐานความรู้โดยใช้การค้นหาแบบไฮบริดหรือการค้นหาความหมาย (เวกเตอร์) และส่งคืนผลลัพธ์ที่เกี่ยวข้อง ทำให้คุณควบคุมได้มากขึ้นในการสร้างเวิร์กโฟลว์แบบกำหนดเองที่ด้านบนของผลลัพธ์การค้นหา ตัวอย่างเช่น คุณสามารถเพิ่มตรรกะหลังการประมวลผลลงในผลลัพธ์ที่ดึงมา หรือเพิ่มพร้อมท์ของคุณเองและเชื่อมต่อกับ FM ใดๆ ที่ Amazon Bedrock จัดทำไว้เพื่อสร้างคำตอบ

เพื่อแสดงตัวอย่างการสลับระหว่างตัวเลือกการค้นหาแบบไฮบริดและความหมาย (เวกเตอร์) เราได้สร้างฐานความรู้โดยใช้ เอกสาร Amazon 10K สำหรับปี 2023. สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการสร้างฐานความรู้ โปรดดูที่ สร้างแอปพลิเคชันแชทบอทตามบริบทโดยใช้ฐานความรู้สำหรับ Amazon Bedrock.

เพื่อแสดงให้เห็นคุณค่าของการค้นหาแบบไฮบริด เราใช้คำค้นหาต่อไปนี้:

As of December 31st 2023, what is the leased square footage for physical stores in North America?

คำตอบสำหรับคำถามก่อนหน้าเกี่ยวข้องกับคำหลักบางคำ เช่น date, physical storesและ North America. คำตอบที่ถูกต้องคือ 22,871 thousand square feet. มาดูความแตกต่างในผลการค้นหาสำหรับการค้นหาทั้งแบบไฮบริดและแบบความหมาย

รหัสต่อไปนี้แสดงวิธีใช้การค้นหาแบบไฮบริดหรือความหมาย (เวกเตอร์) โดยใช้ดึงข้อมูล API กับ Boto3:

import boto3

bedrock_agent_runtime = boto3.client(
    service_name = "bedrock-agent-runtime"
)

def retrieve(query, kbId, numberOfResults=5):
    return bedrock_agent_runtime.retrieve(
        retrievalQuery= {
            'text': query
        },
        knowledgeBaseId=kbId,
        retrievalConfiguration= {
            'vectorSearchConfiguration': {
                'numberOfResults': numberOfResults,
                'overrideSearchType': "HYBRID/SEMANTIC", # optional
            }
        }
    )
response = retrieve("As of December 31st 2023, what is the leased square footage for physical stores in North America?", "<knowledge base id>")["retrievalResults"]

พื้นที่ overrideSearchType ตัวเลือกใน retrievalConfiguration เสนอทางเลือกให้ใช้อย่างใดอย่างหนึ่ง HYBRID or SEMANTIC. โดยค่าเริ่มต้น ระบบจะเลือกกลยุทธ์ที่เหมาะสมสำหรับคุณเพื่อให้ได้ผลลัพธ์ที่เกี่ยวข้องมากที่สุด และหากคุณต้องการแทนที่ตัวเลือกเริ่มต้นเพื่อใช้การค้นหาแบบผสมหรือการค้นหาเชิงความหมาย คุณสามารถตั้งค่าเป็น HYBRID/SEMANTIC. ผลลัพธ์ของ Retrieve API ประกอบด้วยส่วนข้อความที่ดึงมา ประเภทตำแหน่งและ URI ของข้อมูลต้นฉบับ และคะแนนความเกี่ยวข้องของการดึงข้อมูล คะแนนจะช่วยกำหนดว่าส่วนใดตรงกับคำตอบของข้อความค้นหามากที่สุด

ต่อไปนี้คือผลลัพธ์สำหรับการสืบค้นก่อนหน้าโดยใช้การค้นหาแบบไฮบริด (โดยผลลัพธ์บางส่วนจะถูกแก้ไขเพื่อความกระชับ):

[
  {
    "content": {
      "text": "... Description of Use Leased Square Footage (1).... Physical stores (2) 22,871  ..."
    },
    "location": {
      "type": "S3",
      "s3Location": {
        "uri": "s3://<bucket_name>/amazon-10k-2023.pdf"
      }
    },
    "score": 0.6389407
  },
  {
    "content": {
      "text": "Property and equipment, net by segment is as follows (in millions): December 31, 2021 2022 2023 North America $ 83,640 $ 90,076 $ 93,632 International 21,718 23,347 24,357 AWS 43,245 60,324 72,701 Corporate 1.."
    },
    "location": {
      "type": "S3",
      "s3Location": {
        "uri": "s3://<bucket_name>/amazon-10k-2023.pdf"
      }
    },
    "score": 0.6389407
  },
  {
    "content": {
      "text": "..amortization of property and equipment acquired under finance leases of $9.9 billion, $6.1 billion, and $5.9 billion for 2021, 2022, and 2023. 54 Table of Contents Note 4 — LEASES We have entered into non-cancellable operating and finance leases for fulfillment network, data center, office, and physical store facilities as well as server and networking equipment, aircraft, and vehicles. Gross assets acquired under finance leases, ..."
    },
    "location": {
      "type": "S3",
      "s3Location": {
        "uri": "s3://<bucket_name>/amazon-10k-2023.pdf"
      }
    },
    "score": 0.61908984
  }
]

ต่อไปนี้คือผลลัพธ์สำหรับการค้นหาเชิงความหมาย (โดยผลลัพธ์บางส่วนถูกแก้ไขเพื่อความกระชับ):

[
  {
    "content": {
      "text": "Property and equipment, net by segment is as follows (in millions):    December 31,    2021 2022 2023   North America $ 83,640 $ 90,076 $ 93,632  International 21,718 23,347 24,357  AWS 43,245 60,324 72,701.."
    },
    "location": {
      "type": "S3",
      "s3Location": {
        "uri": "s3://<bucket_name>/amazon-10k-2023.pdf"
      }
    },
    "score": 0.6389407
  },
  {
    "content": {
      "text": "Depreciation and amortization expense on property and equipment was $22.9 billion, $24.9 billion, and $30.2 billion which includes amortization of property and equipment acquired under finance leases of $9.9 billion, $6.1 billion, and $5.9 billion for 2021, 2022, and 2023.   54        Table of Contents   Note 4 — LEASES We have entered into non-cancellable operating and finance leases for fulfillment network, data center, office, and physical store facilities as well a..."
    },
    "location": {
      "type": "S3",
      "s3Location": {
        "uri": "s3://<bucket_name>/amazon-10k-2023.pdf"
      }
    },
    "score": 0.61908984
  },
  {
    "content": {
      "text": "Incentives that we receive from property and equipment   vendors are recorded as a reduction to our costs. Property includes buildings and land that we own, along with property we have acquired under build-to-suit lease arrangements when we have control over the building during the construction period and finance lease arrangements..."
    },
    "location": {
      "type": "S3",
      "s3Location": {
        "uri": "s3://<bucket_name>/amazon-10k-2023.pdf"
      }
    },
    "score": 0.61353767
  }
]

ดังที่คุณเห็นในผลลัพธ์ การค้นหาแบบไฮบริดสามารถดึงผลการค้นหาด้วยพื้นที่เป็นตารางฟุตที่เช่าสำหรับร้านค้าทางกายภาพในอเมริกาเหนือตามที่กล่าวไว้ในข้อความค้นหาของผู้ใช้ สาเหตุหลักคือการค้นหาแบบผสมสามารถรวมผลลัพธ์จากคำหลักเช่น date, physical storesและ North America ในข้อความค้นหา ในขณะที่การค้นหาเชิงความหมายไม่มี ดังนั้น เมื่อผลการค้นหาถูกเสริมด้วยข้อความค้นหาของผู้ใช้และข้อความแจ้ง FM จะไม่สามารถให้คำตอบที่ถูกต้องได้ในกรณีของการค้นหาเชิงความหมาย

ทีนี้ลองดูที่ RetrieveAndGenerate API พร้อมการค้นหาแบบไฮบริดเพื่อทำความเข้าใจการตอบสนองสุดท้ายที่สร้างโดย FM

API ดึงข้อมูลและสร้าง

พื้นที่ RetrieveAndGenerate API สอบถามฐานความรู้และสร้างการตอบกลับตามผลลัพธ์ที่ดึงข้อมูล คุณระบุ ID ฐานความรู้และ FM เพื่อสร้างการตอบกลับจากผลลัพธ์ Amazon Bedrock แปลงการสืบค้นเป็นการฝัง ค้นหาฐานความรู้ตามประเภทการค้นหา จากนั้นเพิ่มพรอมต์ FM ด้วยผลการค้นหาเป็นข้อมูลบริบท และส่งคืนการตอบกลับที่สร้างโดย FM

ลองใช้คำถาม "ณ วันที่ 31 ธันวาคม 2023 พื้นที่เป็นตารางฟุตที่เช่าสำหรับร้านค้าจริงในอเมริกาเหนือเป็นเท่าใด" และถาม RetrieveAndGenerate API เพื่อสร้างการตอบสนองโดยใช้แบบสอบถามของเรา:

def retrieveAndGenerate(input, kbId):
    return bedrock_agent_runtime.retrieve_and_generate(
        input={
            'text': input
        },
        retrieveAndGenerateConfiguration={
            'type': 'KNOWLEDGE_BASE',
            'knowledgeBaseConfiguration': {
                'knowledgeBaseId': kbId,
                'modelArn': 'arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-instant-v1'
                'retrievalConfiguration': {
                'overrideSearchType': 'HYBRID/SEMANTIC',
                }
                }
            }
        )
response = retrieveAndGenerate("As of December 31st 2023, what is the leased square footage for physical stores in North America?", "<knowledge base id>")["output"]["text"]

ต่อไปนี้เป็นผลลัพธ์โดยใช้การค้นหาแบบไฮบริด:

22,871 thousand leased square feet

ต่อไปนี้เป็นผลลัพธ์โดยใช้การค้นหาเชิงความหมาย:

The search results do not contain any information about the leased square footage for physical stores in North America for 2023.

คำตอบที่แท้จริงสำหรับคำถามคือ 22,871 thousand leased square feetซึ่งสร้างขึ้นโดยการค้นหาแบบไฮบริด ผลการค้นหาที่ดึงมาสำหรับการค้นหาแบบไฮบริดมีข้อมูลเกี่ยวกับพื้นที่เป็นตารางฟุตที่เช่าสำหรับร้านค้าทางกายภาพในอเมริกาเหนือ ในขณะที่การค้นหาเชิงความหมายไม่สามารถดึงข้อมูลที่ถูกต้องจากร้านค้าเวกเตอร์ได้เนื่องจากการฝังการแปล ดังนั้น FM จึงไม่สามารถให้คำตอบที่ถูกต้องได้เนื่องจากไม่มีผลการค้นหาที่ถูกต้องและเกี่ยวข้องมากที่สุด

อย่างไรก็ตาม สำหรับคำถามทั่วไปที่ไม่เกี่ยวข้องกับเอนทิตี เช่น physical stores or North Americaทั้งการค้นหาแบบไฮบริดและการค้นหาเชิงความหมายให้ผลลัพธ์ที่คล้ายคลึงกัน

ต่อไปนี้คือตัวอย่างคำตอบจากคำถามสองสามข้อที่สาธิตกรณีต่างๆ เมื่อการค้นหาทั้งแบบไฮบริดและแบบความหมายให้ผลลัพธ์ที่คล้ายคลึงกัน

ใช้ตัวเลือกการค้นหาแบบไฮบริดและการค้นหาความหมายผ่านคอนโซล Amazon Bedrock

หากต้องการใช้ตัวเลือกการค้นหาแบบไฮบริดและการค้นหาความหมายบนคอนโซล Amazon Bedrock ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Bedrock ให้เลือก ฐานความรู้ ในบานหน้าต่างนำทาง
2. เลือกฐานความรู้ที่คุณสร้างขึ้น
3. Choose ทดสอบฐานความรู้.
4. เลือกไอคอนการกำหนดค่า
   
5. สำหรับ ประเภทการค้นหา¸ เลือก การค้นหาแบบไฮบริด (ความหมายและข้อความ).
   

ตามค่าเริ่มต้น คุณสามารถเลือก FM เพื่อรับการตอบกลับที่สร้างขึ้นสำหรับคำถามของคุณได้ หากคุณต้องการดูเฉพาะผลลัพธ์ที่ดึงมา คุณสามารถสลับได้ สร้างการตอบสนอง off เพื่อรับเฉพาะผลลัพธ์ที่ดึงมาเท่านั้น

สรุป

ในโพสต์นี้ เราได้กล่าวถึงคุณสมบัติการสืบค้นใหม่ในฐานความรู้สำหรับ Amazon Bedrock ซึ่งเปิดใช้งานการค้นหาแบบไฮบริด เราได้เรียนรู้วิธีกำหนดค่าตัวเลือกการค้นหาแบบไฮบริดใน SDK และคอนโซล Amazon Bedrock ซึ่งจะช่วยเอาชนะข้อจำกัดบางประการของการพึ่งพาการค้นหาเชิงความหมายเพียงอย่างเดียว โดยเฉพาะอย่างยิ่งการค้นหาเอกสารชุดใหญ่ที่มีเนื้อหาหลากหลาย การใช้การค้นหาแบบไฮบริดขึ้นอยู่กับประเภทเอกสารและกรณีการใช้งานที่คุณพยายามนำไปใช้

สำหรับแหล่งข้อมูลเพิ่มเติม โปรดดูที่ต่อไปนี้:

อ้างอิง

การปรับปรุงประสิทธิภาพการดึงข้อมูลในไปป์ไลน์ RAG ด้วยการค้นหาแบบไฮบริด

เกี่ยวกับผู้เขียน

มณี ขันุจา เป็นหัวหน้าฝ่ายเทคโนโลยี – ผู้เชี่ยวชาญด้าน AI ทั่วไป ผู้เขียนหนังสือ Applied Machine Learning และ High Performance Computing บน AWS และเป็นสมาชิกของคณะกรรมการบริหาร Women in Manufacturing Education Foundation Board เธอเป็นผู้นำโครงการการเรียนรู้ของเครื่องในโดเมนต่างๆ เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และ AI เชิงสร้างสรรค์ เธอพูดในการประชุมภายในและภายนอก เช่น AWS re:Invent, Women in Manufacturing West, การสัมมนาผ่านเว็บของ YouTube และ GHC 23 ในเวลาว่าง เธอชอบวิ่งระยะยาวไปตามชายหาด

ปัลลาวี นาร์กุนด์ เป็น Principal Solutions Architect ที่ AWS ในบทบาทของเธอในฐานะผู้ส่งเสริมเทคโนโลยีคลาวด์ เธอทำงานร่วมกับลูกค้าเพื่อทำความเข้าใจเป้าหมายและความท้าทายของลูกค้า และให้คำแนะนำเชิงกำหนดเพื่อให้บรรลุวัตถุประสงค์ด้วยข้อเสนอของ AWS เธอมีความหลงใหลในผู้หญิงในด้านเทคโนโลยี และเป็นสมาชิกหลักของ Women in AI/ML ที่ Amazon เธอพูดในการประชุมภายในและภายนอก เช่น AWS re:Invent, AWS Summits และการสัมมนาผ่านเว็บ นอกเหนือจากงาน เธอชอบเป็นอาสาสมัคร ทำสวน ปั่นจักรยาน และเดินป่า

• 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/knowledge-bases-for-amazon-bedrock-now-supports-hybrid-search/