ایمیزون بیڈرک کے علمی مراکز اب ہائبرڈ تلاش کی حمایت کرتے ہیں۔ ایمیزون ویب سروسز

At AWS re: ایجاد 2023، ہم نے عام دستیابی کا اعلان کیا۔ ایمیزون بیڈرک کے لیے نالج بیسز. علم کی بنیاد کے ساتھ، آپ فاؤنڈیشن ماڈلز (FMs) کو محفوظ طریقے سے منسلک کر سکتے ہیں۔ ایمیزون بیڈرک مکمل طور پر منظم ریٹریول اگمنٹڈ جنریشن (RAG) کے لیے آپ کی کمپنی کے ڈیٹا تک۔

ایک پچھلے پیغام، ہم نے بیان کیا کہ کس طرح نالج بیسز فار ایمیزون بیڈروک آپ کے لیے اینڈ ٹو اینڈ آر اے جی ورک فلو کا انتظام کرتا ہے اور کچھ حالیہ فیچر لانچوں کے بارے میں تفصیلات کا اشتراک کیا۔

RAG پر مبنی ایپلی کیشنز کے لیے، بڑے لینگوئج ماڈلز (LLMs) سے پیدا ہونے والے ردعمل کی درستگی ماڈل کو فراہم کردہ سیاق و سباق پر منحصر ہے۔ صارف کے استفسار کی بنیاد پر ویکٹر ڈیٹا بیس سے سیاق و سباق کو بازیافت کیا جاتا ہے۔ سیمنٹک تلاش کا وسیع پیمانے پر استعمال کیا جاتا ہے کیونکہ یہ انسان جیسے سوالات کو سمجھنے کے قابل ہوتی ہے — صارف کا استفسار ہمیشہ اس مواد کے عین مطلوبہ الفاظ سے براہ راست تعلق نہیں رکھتا جو اس کا جواب دیتا ہے۔ سیمنٹک تلاش متن کے معنی کی بنیاد پر جوابات فراہم کرنے میں مدد کرتی ہے۔ تاہم، تمام متعلقہ مطلوبہ الفاظ کو حاصل کرنے میں اس کی حدود ہیں۔ اس کی کارکردگی متن کے معنی کی نمائندگی کرنے کے لیے استعمال ہونے والے لفظ ایمبیڈنگ کے معیار پر منحصر ہے۔ اس طرح کی حدود کو دور کرنے کے لیے، کلیدی الفاظ کی تلاش (ہائبرڈ) کے ساتھ سیمنٹک سرچ کو ملانا بہتر نتائج دے گا۔

اس پوسٹ میں، ہم ہائبرڈ سرچ کی نئی خصوصیت پر تبادلہ خیال کرتے ہیں، جسے آپ معنوی تلاش کے ساتھ سوال کے آپشن کے طور پر منتخب کر سکتے ہیں۔

ہائبرڈ تلاش کا جائزہ

ہائبرڈ تلاش ایک سے زیادہ تلاش کے الگورتھم کی طاقتوں سے فائدہ اٹھاتی ہے، لوٹے ہوئے تلاش کے نتائج کی مطابقت کو بڑھانے کے لیے اپنی منفرد صلاحیتوں کو یکجا کرتی ہے۔ RAG پر مبنی ایپلی کیشنز کے لیے، تلاش کے نتائج کی مطابقت کو بہتر بنانے کے لیے لفظی تلاش کی صلاحیتوں کو عام طور پر روایتی مطلوبہ الفاظ پر مبنی تلاش کے ساتھ ملایا جاتا ہے۔ یہ دستاویزات کے مواد اور ان کے بنیادی معنی دونوں کو تلاش کرنے کے قابل بناتا ہے۔ مثال کے طور پر، درج ذیل استفسار پر غور کریں:

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

کتاب کے نام اور ویب سائٹ کے نام کے لیے اس سوال میں، مطلوبہ الفاظ کی تلاش بہتر نتائج دے گی، کیونکہ ہم مخصوص کتاب کی قیمت چاہتے ہیں۔ تاہم، اصطلاح "لاگت" کے مترادفات ہو سکتے ہیں جیسے "قیمت"، اس لیے بہتر ہو گا کہ لفظی تلاش کا استعمال کیا جائے، جو متن کے معنی کو سمجھے۔ ہائبرڈ تلاش دونوں طریقوں میں سے بہترین لاتی ہے: معنوی تلاش کی درستگی اور کلیدی الفاظ کی کوریج۔ یہ RAG پر مبنی ایپلی کیشنز کے لیے بہت اچھا کام کرتا ہے جہاں بازیافت کرنے والے کو قدرتی زبان کے مختلف سوالات کو ہینڈل کرنا پڑتا ہے۔ مطلوبہ الفاظ استفسار میں مخصوص اداروں جیسے پروڈکٹ کا نام، رنگ، اور قیمت کا احاطہ کرنے میں مدد کرتے ہیں، جبکہ سیمنٹکس استفسار کے اندر معنی اور ارادے کو بہتر طور پر سمجھتا ہے۔ مثال کے طور پر، اگر آپ کسی ای کامرس ویب سائٹ کے لیے گاہک کے سوالات جیسے کہ واپسی کی پالیسی یا پروڈکٹ کی تفصیلات سے نمٹنے کے لیے چیٹ بوٹ بنانا چاہتے ہیں، تو ہائبرڈ تلاش کا استعمال سب سے زیادہ موزوں ہوگا۔

ہائبرڈ تلاش کے لیے کیسز استعمال کریں۔

ہائبرڈ تلاش کے لیے کچھ عام استعمال کی صورتیں درج ذیل ہیں:

• ڈومین سوال کا جواب کھولیں۔ - اس میں مختلف موضوعات پر سوالات کا جواب دینا شامل ہے۔ اس کے لیے متنوع مواد کے ساتھ دستاویزات کے بڑے ذخیرے کو تلاش کرنے کی ضرورت ہے، جیسے کہ ویب سائٹ کا ڈیٹا، جس میں پائیداری، قیادت، مالیاتی نتائج، اور بہت کچھ جیسے مختلف عنوانات شامل ہو سکتے ہیں۔ اکیلے سیمنٹک تلاش اس کام کے لیے اچھی طرح سے عام نہیں ہو سکتی، کیونکہ اس میں غیر دیکھے ہوئے اداروں کے لغوی ملاپ کی گنجائش نہیں ہے، جو ڈومین سے باہر کی مثالوں کو سنبھالنے کے لیے اہم ہے۔ لہٰذا، کلیدی الفاظ پر مبنی تلاش کو معنوی تلاش کے ساتھ ملانے سے دائرہ کار کو کم کرنے میں مدد مل سکتی ہے اور اوپن ڈومین سوال کے جوابات کے لیے بہتر نتائج فراہم کیے جا سکتے ہیں۔
• سیاق و سباق پر مبنی چیٹ بوٹس - بات چیت تیزی سے سمت بدل سکتی ہے اور غیر متوقع عنوانات کا احاطہ کرسکتی ہے۔ ہائبرڈ سرچ ایسے اوپن اینڈ ڈائیلاگ کو بہتر طریقے سے ہینڈل کر سکتی ہے۔
• ذاتی نوعیت کی تلاش - ہائبرڈ نقطہ نظر سے متضاد مواد کے فوائد پر ویب پیمانے پر تلاش۔ سیمنٹک سرچ مقبول ہیڈ سوالات کو ہینڈل کرتی ہے، جبکہ کلیدی الفاظ نایاب لمبی دم والے سوالات کا احاطہ کرتے ہیں۔

اگرچہ ہائبرڈ تلاش دو طریقوں کو ملا کر وسیع تر کوریج پیش کرتی ہے، لیکن جب ڈومین تنگ ہو اور سیمنٹکس اچھی طرح سے متعین ہو، یا جب فیکٹائڈ سوال جواب دینے والے نظام کی طرح غلط تشریح کی بہت کم گنجائش ہو تو سیمنٹک تلاش کے درست فوائد ہوتے ہیں۔

ہائبرڈ تلاش کے فوائد

کلیدی لفظ اور معنوی تلاش دونوں اپنے متعلقہ اسکورز کے ساتھ نتائج کا ایک الگ سیٹ واپس کریں گے، جنہیں پھر سب سے زیادہ متعلقہ نتائج واپس کرنے کے لیے ملایا جاتا ہے۔ ایمیزون بیڈرک کے لیے علم کی بنیادیں فی الحال چار ویکٹر اسٹورز کو سپورٹ کرتی ہیں: ایمیزون اوپن سرچ سرور لیس, Amazon Aurora PostgreSQL- ہم آہنگ ایڈیشن, پنکون، اور ریڈیس انٹرپرائز کلاؤڈ. اس تحریر کے مطابق، ہائبرڈ سرچ فیچر OpenSearch Serverless کے لیے دستیاب ہے، جلد ہی آنے والے دیگر ویکٹر اسٹورز کے لیے تعاون کے ساتھ۔

ہائبرڈ سرچ استعمال کرنے کے کچھ فوائد درج ذیل ہیں:

• بہتر درستگی – FM سے پیدا ہونے والے ردعمل کی درستگی کا براہ راست انحصار بازیافت شدہ نتائج کی مطابقت پر ہے۔ آپ کے ڈیٹا کی بنیاد پر، صرف لفظی تلاش کا استعمال کرتے ہوئے آپ کی درخواست کی درستگی کو بہتر بنانا مشکل ہو سکتا ہے۔ ہائبرڈ سرچ استعمال کرنے کا کلیدی فائدہ بازیافت شدہ نتائج کا بہتر معیار حاصل کرنا ہے، جس کے نتیجے میں ایف ایم کو مزید درست جوابات پیدا کرنے میں مدد ملتی ہے۔
• تلاش کی صلاحیتوں میں توسیع - مطلوبہ الفاظ کی تلاش ایک وسیع نیٹ کاسٹ کرتی ہے اور ایسی دستاویزات تلاش کرتی ہے جو متعلقہ تو ہو سکتی ہیں لیکن پوری دستاویز میں لفظی ساخت پر مشتمل نہیں ہو سکتی ہیں۔ یہ آپ کو مطلوبہ الفاظ کے ساتھ ساتھ متن کے معنوی معنی تلاش کرنے کی اجازت دیتا ہے، اس طرح تلاش کی صلاحیتوں کو وسعت دیتا ہے۔

مندرجہ ذیل حصوں میں، ہم یہ ظاہر کرتے ہیں کہ ایمیزون بیڈرک کے لیے نالج بیسز کے ساتھ ہائبرڈ تلاش کیسے استعمال کی جائے۔

SDK کے ذریعے ہائبرڈ تلاش اور سیمنٹک تلاش کے اختیارات استعمال کریں۔

جب آپ Retrieve API کو کال کرتے ہیں، تو Amazon Bedrock کے لیے نالج بیسز آپ کو سب سے زیادہ متعلقہ نتائج دینے کے لیے آپ کے لیے صحیح تلاش کی حکمت عملی کا انتخاب کرتا ہے۔ آپ کے پاس API میں ہائبرڈ یا سیمنٹک سرچ استعمال کرنے کے لیے اسے اوور رائڈ کرنے کا اختیار ہے۔

API بازیافت کریں۔

Retrieve API کو صارف کے استفسار، نالج بیس ID، اور نتائج کی تعداد فراہم کرکے متعلقہ تلاش کے نتائج حاصل کرنے کے لیے ڈیزائن کیا گیا ہے جو آپ API کو واپس کرنا چاہتے ہیں۔ یہ API صارف کے سوالات کو ایمبیڈنگز میں تبدیل کرتا ہے، ہائبرڈ سرچ یا سیمینٹک (ویکٹر) تلاش کا استعمال کرتے ہوئے نالج بیس کو تلاش کرتا ہے، اور متعلقہ نتائج واپس کرتا ہے، جس سے آپ کو تلاش کے نتائج کے اوپر حسب ضرورت ورک فلو بنانے کے لیے مزید کنٹرول ملتا ہے۔ مثال کے طور پر، آپ بازیافت شدہ نتائج میں پوسٹ پروسیسنگ منطق شامل کر سکتے ہیں یا اپنا پرامپٹ شامل کر سکتے ہیں اور جوابات پیدا کرنے کے لیے Amazon Bedrock کے فراہم کردہ کسی بھی FM سے رابطہ کر سکتے ہیں۔

آپ کو ہائبرڈ اور سیمنٹک (ویکٹر) تلاش کے اختیارات کے درمیان سوئچ کرنے کی ایک مثال دکھانے کے لیے، ہم نے اس کا استعمال کرتے ہوئے علم کی بنیاد بنائی ہے۔ ایمیزون 10K دستاویز برائے 2023. علم کی بنیاد بنانے کے بارے میں مزید تفصیلات کے لیے، رجوع کریں۔ Amazon Bedrock کے لیے نالج بیسز کا استعمال کرتے ہوئے سیاق و سباق سے متعلق چیٹ بوٹ ایپلیکیشن بنائیں.

ہائبرڈ تلاش کی قدر کو ظاہر کرنے کے لیے، ہم درج ذیل استفسار کا استعمال کرتے ہیں:

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

پچھلے سوال کے جواب میں چند کلیدی الفاظ شامل ہیں، جیسے کہ date, physical stores، اور North America. درست جواب ہے۔ 22,871 thousand square feet. آئیے ہائبرڈ اور سیمنٹک تلاش دونوں کے تلاش کے نتائج میں فرق کا مشاہدہ کریں۔

درج ذیل کوڈ سے پتہ چلتا ہے کہ Boto3 کے ساتھ Retrieve API کا استعمال کرتے ہوئے ہائبرڈ یا semantic (vector) تلاش کا استعمال کیسے کریں:

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"]

۔ overrideSearchType میں اختیار retrievalConfiguration یا تو استعمال کرنے کا انتخاب پیش کرتا ہے۔ HYBRID or SEMANTIC. پہلے سے طے شدہ طور پر، یہ آپ کو سب سے زیادہ متعلقہ نتائج دینے کے لیے آپ کے لیے صحیح حکمت عملی کا انتخاب کرے گا، اور اگر آپ ہائبرڈ یا سیمنٹک تلاش کو استعمال کرنے کے لیے پہلے سے طے شدہ آپشن کو اوور رائڈ کرنا چاہتے ہیں، تو آپ اس کی قدر کو سیٹ کر سکتے ہیں HYBRID/SEMANTIC. کی پیداوار Retrieve API میں بازیافت شدہ متن کے ٹکڑے، مقام کی قسم اور سورس ڈیٹا کا URI، اور بازیافتوں کے متعلقہ اسکور شامل ہیں۔ اسکور اس بات کا تعین کرنے میں مدد کرتے ہیں کہ کون سے حصے استفسار کے جواب سے بہترین میل کھاتے ہیں۔

ہائبرڈ تلاش کا استعمال کرتے ہوئے سابقہ ​​استفسار کے نتائج درج ذیل ہیں (کچھ آؤٹ پٹ کے ساتھ اختصار کے لیے ترمیم کی گئی ہے):

[
  {
    "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
  }
]

معنوی تلاش کے نتائج درج ذیل ہیں (کچھ آؤٹ پٹ کے ساتھ اختصار کے لیے ترمیم کی گئی ہے):

[
  {
    "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
  }
]

جیسا کہ آپ نتائج میں دیکھ سکتے ہیں، ہائبرڈ سرچ شمالی امریکہ میں فزیکل اسٹورز کے لیے لیز پر دیے گئے مربع فوٹیج کے ساتھ تلاش کے نتائج کو بازیافت کرنے کے قابل تھی جیسا کہ صارف کے استفسار میں بتایا گیا ہے۔ اس کی بنیادی وجہ یہ تھی کہ ہائبرڈ سرچ مطلوبہ الفاظ جیسے کہ نتائج کو یکجا کرنے کے قابل تھی۔ date, physical stores، اور North America استفسار میں، جبکہ سیمنٹک تلاش نہیں ہوئی۔ اس لیے، جب تلاش کے نتائج کو صارف کے استفسار اور پرامپٹ کے ساتھ بڑھایا جاتا ہے، تو FM لفظی تلاش کے معاملے میں صحیح جواب نہیں دے سکے گا۔

اب آئیے دیکھو RetrieveAndGenerate FM کے ذریعے تیار کردہ حتمی جواب کو سمجھنے کے لیے ہائبرڈ تلاش کے ساتھ API۔

RetrieveAndGenerate API

۔ RetrieveAndGenerate API علم کی بنیاد سے استفسار کرتا ہے اور بازیافت شدہ نتائج کی بنیاد پر جواب تیار کرتا ہے۔ آپ نتائج سے جواب پیدا کرنے کے لیے نالج بیس ID کے ساتھ ساتھ FM بھی بتاتے ہیں۔ Amazon Bedrock سوالات کو ایمبیڈنگز میں تبدیل کرتا ہے، تلاش کی قسم کی بنیاد پر نالج بیس سے استفسار کرتا ہے، اور پھر FM پرامپٹ کو تلاش کے نتائج کے ساتھ سیاق و سباق کی معلومات کے طور پر بڑھاتا ہے اور FM سے تیار کردہ جواب واپس کرتا ہے۔

آئیے استفسار کا استعمال کریں "31 دسمبر 2023 تک، شمالی امریکہ میں فزیکل اسٹورز کے لیے لیز پر دی گئی مربع فوٹیج کیا ہے؟" اور پوچھیں RetrieveAndGenerate ہمارے استفسار کا استعمال کرتے ہوئے جواب پیدا کرنے کے لیے API:

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"]

ہائبرڈ تلاش کا استعمال کرتے ہوئے درج ذیل نتائج ہیں:

22,871 thousand leased square feet

سیمنٹک تلاش کا استعمال کرتے ہوئے درج ذیل نتائج ہیں:

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

سوال کا اصل جواب یہ ہے۔ 22,871 thousand leased square feet، جو ہائبرڈ تلاش کے ذریعہ تیار کیا گیا ہے۔ ہائبرڈ تلاش کے لیے حاصل کیے گئے تلاش کے نتائج میں شمالی امریکہ میں فزیکل اسٹورز کے لیے لیز پر دیے گئے مربع فوٹیج کے بارے میں معلومات شامل تھیں، جب کہ سیمینٹک سرچ ایمبیڈنگز ترجمہ کی وجہ سے ویکٹر اسٹور سے صحیح معلومات حاصل کرنے کے قابل نہیں تھی۔ لہذا، FM درست جواب نہیں دے سکا کیونکہ اس کے پاس تلاش کے درست اور متعلقہ نتائج نہیں تھے۔

تاہم، مزید عمومی سوالات کے لیے جن میں ادارے شامل نہیں ہیں جیسے physical stores or North Americaہائبرڈ اور سیمنٹک تلاش دونوں ایک جیسے نتائج دیتے ہیں۔

درج ذیل چند سوالات کے نمونے کے جوابات ہیں جو ایسے معاملات کو ظاہر کرتے ہیں جب ہائبرڈ اور سیمنٹک تلاش دونوں ایک جیسے نتائج حاصل کرتے ہیں۔

ایمیزون بیڈروک کنسول کے ذریعے ہائبرڈ سرچ اور سیمنٹک سرچ آپشنز استعمال کریں۔

ایمیزون بیڈروک کنسول پر ہائبرڈ اور سیمینٹک تلاش کے اختیارات استعمال کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. ایمیزون بیڈرک کنسول پر، منتخب کریں۔ علم کی بنیاد نیوی گیشن پین میں.
2. اپنی تخلیق کردہ علمی بنیاد کا انتخاب کریں۔
3. میں سے انتخاب کریں علم کی بنیاد کی جانچ کریں۔.
4. کنفیگریشن آئیکن کو منتخب کریں۔
   
5. کے لئے تلاش کی قسممنتخب کریں۔ ہائبرڈ تلاش (معنی اور متن).
   

پہلے سے طے شدہ طور پر، آپ اپنے استفسار کے لیے تیار کردہ جواب حاصل کرنے کے لیے FM کا انتخاب کر سکتے ہیں۔ اگر آپ صرف بازیافت شدہ نتائج دیکھنا چاہتے ہیں تو آپ ٹوگل کر سکتے ہیں۔ ردعمل پیدا کریں۔ صرف بازیافت شدہ نتائج حاصل کرنے کے لئے بند۔

نتیجہ

اس پوسٹ میں، ہم نے ایمیزون بیڈرک کے لیے نالج بیسز میں سوال کی نئی خصوصیت کا احاطہ کیا ہے، جو ہائبرڈ تلاش کو قابل بناتا ہے۔ ہم نے SDK اور Amazon Bedrock کنسول میں ہائبرڈ سرچ آپشن کو کنفیگر کرنے کا طریقہ سیکھا۔ یہ مکمل طور پر معنوی تلاش پر انحصار کرنے کی کچھ حدود کو دور کرنے میں مدد کرتا ہے، خاص طور پر متنوع مواد کے ساتھ دستاویزات کے بڑے ذخیرے پر تلاش کرنے کے لیے۔ ہائبرڈ تلاش کا استعمال دستاویز کی قسم اور استعمال کے معاملے پر منحصر ہے جسے آپ لاگو کرنے کی کوشش کر رہے ہیں۔

اضافی وسائل کے لیے، درج ذیل سے رجوع کریں:

حوالہ جات

ہائبرڈ تلاش کے ساتھ RAG پائپ لائنز میں بازیافت کی کارکردگی کو بہتر بنانا

مصنفین کے بارے میں

مانی خانوجا ایک ٹیک لیڈ - جنریٹو AI ماہرین ہیں، کتاب اپلائیڈ مشین لرننگ اینڈ ہائی پرفارمنس کمپیوٹنگ آن AWS کی مصنفہ ہیں، اور مینوفیکچرنگ ایجوکیشن فاؤنڈیشن بورڈ میں خواتین کے لیے بورڈ آف ڈائریکٹرز کی رکن ہیں۔ وہ مختلف ڈومینز جیسے کمپیوٹر ویژن، نیچرل لینگویج پروسیسنگ، اور جنریٹیو AI میں مشین لرننگ پروجیکٹس کی رہنمائی کرتی ہے۔ وہ اندرونی اور بیرونی کانفرنسوں میں بولتی ہیں جیسے AWS re:Invent, Women in Manufacturing West, YouTube webinars، اور GHC 23۔ اپنے فارغ وقت میں، وہ ساحل سمندر پر لمبی دوڑنا پسند کرتی ہے۔

پلوی نرگند AWS میں پرنسپل سولیوشن آرکیٹیکٹ ہیں۔ کلاؤڈ ٹکنالوجی کو فعال کرنے والے کے طور پر اپنے کردار میں، وہ صارفین کے ساتھ ان کے اہداف اور چیلنجوں کو سمجھنے کے لیے کام کرتی ہے، اور AWS پیشکشوں کے ساتھ اپنے مقصد کو حاصل کرنے کے لیے اصولی رہنمائی کرتی ہے۔ وہ ٹیکنالوجی میں خواتین کے بارے میں پرجوش ہیں اور Amazon میں ویمن ان AI/ML کی بنیادی رکن ہیں۔ وہ اندرونی اور بیرونی کانفرنسوں جیسے کہ AWS re:Invent، AWS سمٹ، اور ویبینرز میں بولتی ہیں۔ کام کے علاوہ وہ رضاکارانہ، باغبانی، سائیکلنگ اور پیدل سفر سے لطف اندوز ہوتی ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/knowledge-bases-for-amazon-bedrock-now-supports-hybrid-search/