Richten Sie einen Vektorindex für Ihre Wissensdatenbank in einem unterstützten Vektorspeicher ein - Amazon Bedrock

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Richten Sie einen Vektorindex für Ihre Wissensdatenbank in einem unterstützten Vektorspeicher ein

Sie richten einen unterstützten Vektorindex ein, um Ihre Datenquellen zu indizieren, indem Sie Felder zum Speichern der folgenden Daten erstellen.

  • Die Vektoren, die aus dem Text in Ihrer Datenquelle durch das von Ihnen gewählte Einbettungsmodell generiert wurden.

  • Die Textblöcke, die aus den Dateien in Ihrer Datenquelle extrahiert wurden.

  • Metadaten zu Ihrer Wissensdatenbank, die Amazon Bedrock verwaltet.

  • (Wenn Sie eine Amazon Aurora Aurora-Datenbank verwenden und die Filterung einrichten möchten) Metadaten, die Sie Ihren Quelldateien zuordnen. Wenn Sie die Filterung in anderen Vector Stores einrichten möchten, müssen Sie diese Felder nicht für die Filterung einrichten.

Wählen Sie die Registerkarte aus, die dem Dienst entspricht, mit dem Sie Ihren Vektorindex erstellen möchten.

Anmerkung

Wenn Sie es vorziehen, dass Amazon Bedrock automatisch einen Vektorindex in Amazon OpenSearch Serverless für Sie erstellt, überspringen Sie diese Voraussetzung und fahren Sie fort mit. Erstellen einer Wissensdatenbank Um zu erfahren, wie Sie einen Vektorindex einrichten, wählen Sie die Registerkarte aus, die der Methode Ihrer Wahl entspricht, und folgen Sie den Schritten.

Amazon OpenSearch Serverless

  1. Um Berechtigungen zu konfigurieren und eine Vektorsuchsammlung in Amazon OpenSearch Serverless in der zu erstellen AWS Management Console, folgen Sie den Schritten 1 und 2 unter Arbeiten mit Vektorsuchsammlungen im Amazon OpenSearch Service Developer Guide. Beachten Sie bei der Einrichtung Ihrer Sammlung die folgenden Überlegungen:

    1. Geben Sie der Sammlung einen Namen und eine Beschreibung Ihrer Wahl.

    2. Um Ihre Sammlung privat zu machen, wählen Sie im Bereich Sicherheit die Option Standard erstellen aus. Wählen Sie dann im Abschnitt Netzwerkzugriffseinstellungen VPC als Zugriffstyp und wählen Sie einen VPC-Endpunkt aus. Weitere Informationen zum Einrichten eines VPC-Endpunkts für eine Amazon OpenSearch Serverless-Sammlung finden Sie unter Zugriff auf Amazon OpenSearch Serverless über einen Schnittstellenendpunkt (AWS PrivateLink) im Amazon OpenSearch Service Developer Guide.

  2. Notieren Sie sich nach der Erstellung der Sammlung den Sammlungs-ARN für die Erstellung der Wissensdatenbank.

  3. Wählen Sie im linken Navigationsbereich unter Serverlos die Option Sammlungen aus. Wählen Sie dann Ihre Vektorsuchsammlung aus.

  4. Wählen Sie die Registerkarte Indizes aus. Wählen Sie dann Vektorindex erstellen.

  5. Geben Sie im Abschnitt Details zum Vektorindex im Feld Vektorindexname einen Namen für Ihren Index ein.

  6. Wählen Sie im Abschnitt Vektorfelder die Option Vektorfeld hinzufügen aus. Amazon Bedrock speichert die Vektoreinbettungen für Ihre Datenquelle in diesem Feld. Stellen Sie die folgenden Konfigurationen bereit:

    • Vektorfeldname — Geben Sie einen Namen für das Feld ein (z. B.embeddings).

    • Engine — Die Vektor-Engine, die für die Suche verwendet wird. Wählen Sie faiss aus.

    • Dimensionen – die Anzahl der Dimensionen im Vektor. Anhand der folgenden Tabelle können Sie bestimmen, wie viele Dimensionen der Vektor enthalten sollte:

      Modell Dimensionen
      TitanG1 Einbettungen — Text 1 536
      CohereEmbedEnglisch 1,024
      CohereEmbedMehrsprachig 1,024

    • Entfernungsmetrik – die Metrik, die verwendet wird, um die Ähnlichkeit zwischen Vektoren zu messen. Wir empfehlen die Verwendung von Euclidean.

  7. Erweitern Sie den Bereich Metadatenverwaltung und fügen Sie zwei Felder hinzu, um den Vektorindex so zu konfigurieren, dass zusätzliche Metadaten gespeichert werden, die eine Wissensdatenbank mit Vektoren abrufen kann. In der folgenden Tabelle werden die Felder und die Werte beschrieben, die für jedes Feld angegeben werden müssen:

    Beschreibung des Feldes Feld zuordnen Datentyp Filtrierbar
    Amazon Bedrock zerschneidet den Rohtext aus Ihren Daten und speichert die Teile in diesem Feld. Name Ihrer Wahl (zum Beispiel) text String True
    Amazon Bedrock speichert Metadaten zu Ihrer Wissensdatenbank in diesem Feld. Name Ihrer Wahl (zum Beispielbedrock-metadata) String False

  8. Notieren Sie sich die Namen, die Sie für den Vektorindexnamen, den Vektorfeldnamen und die Namen der Mapping-Felder für die Metadatenverwaltung ausgewählt haben, wenn Sie Ihre Wissensdatenbank erstellen. Wählen Sie die Option Erstellen aus.

Nachdem der Vektorindex erstellt wurde, können Sie mit der Erstellung Ihrer Wissensdatenbank fortfahren. In der folgenden Tabelle ist zusammengefasst, wo Sie die einzelnen Informationen eingeben werden, die Sie zur Kenntnis genommen haben.

Feld Entsprechendes Feld in der Einrichtung der Wissensdatenbank (Konsole) Entsprechendes Feld in der Einrichtung der Wissensdatenbank (API) Beschreibung
Sammlungs-ARN Sammlungs-ARN Sammlung ARN Der Amazon-Ressourcenname (ARN) der Vektorsuchsammlung.
Name des Vektor-Indexes Name des Vektorindexes vectorIndexName Der Name des Vektorindexes.
Name des Vektorfeldes Vektorfeld Vektor-Feld Der Name des Felds, in dem Vektoreinbettungen für Ihre Datenquellen gespeichert werden sollen.
Metadatenverwaltung (erstes Mapping-Feld) Textfeld TextFeld Der Name des Felds, in dem der Rohtext aus Ihren Datenquellen gespeichert werden soll.
Metadatenverwaltung (zweites Mapping-Feld) Von Bedrock verwaltetes Metadatenfeld Metadatenfeld Der Name des Felds, in dem Metadaten gespeichert werden sollen, die Amazon Bedrock verwaltet.

Eine ausführlichere Dokumentation zur Einrichtung eines Vektorspeichers in Amazon OpenSearch Serverless finden Sie unter Arbeiten mit Vektorsuchsammlungen im Amazon OpenSearch Service Developer Guide.

Amazon Aurora

  1. Erstellen Sie einen Amazon Aurora Aurora-Datenbank-Cluster, ein Schema und eine Tabelle, indem Sie die Schritte unter Vorbereiten von Aurora PostgreSQL für die Verwendung als Wissensdatenbank befolgen. Wenn Sie die Tabelle erstellen, konfigurieren Sie sie mit den folgenden Spalten und Datentypen. Sie können anstelle der in der folgenden Tabelle aufgeführten Spaltennamen nach Ihren Wünschen verwenden. Notieren Sie sich die von Ihnen ausgewählten Spaltennamen, damit Sie sie bei der Einrichtung der Wissensdatenbank angeben können.

    Spaltenname Datentyp Entsprechendes Feld in der Einrichtung der Wissensdatenbank (Konsole) Entsprechendes Feld in der Einrichtung der Wissensdatenbank (API) Beschreibung
    id UUID-Primärschlüssel Primärschlüssel primaryKeyField Enthält eindeutige Bezeichner für jeden Datensatz.
    Einbettung Vektor Vektorfeld vectorField Enthält die Vektoreinbettungen der Datenquellen.
    Brocken Text Textfeld textField Enthält die Rohtextblöcke aus Ihren Datenquellen.
    Metadaten JSON Von Bedrock verwaltetes Metadatenfeld metadataField Enthält Metadaten, die für die Quellenzuweisung und die Datenerfassung und -abfrage erforderlich sind

  2. (Optional) Wenn Sie Ihren Dateien Metadaten zum Filtern hinzugefügt haben, müssen Sie auch eine Spalte für jedes Metadatenattribut in Ihren Dateien erstellen und den Datentyp (Text, Zahl oder Boolean) angeben. Wenn das Attribut beispielsweise in Ihrer Datenquelle genre vorhanden ist, würden Sie eine Spalte mit dem Namen genre und der Angabe text als Datentyp hinzufügen. Während der Aufnahme werden diese Spalten mit den entsprechenden Attributwerten gefüllt.

  3. Konfigurieren Sie ein AWS Secrets Manager Geheimnis für Ihren Aurora-DB-Cluster, indem Sie die Schritte unter Passwortverwaltung mit Amazon Aurora und befolgen AWS Secrets Manager.

  4. Notieren Sie sich die folgenden Informationen, nachdem Sie Ihren DB-Cluster erstellt und das Geheimnis eingerichtet haben.

    Feld in der Einrichtung der Wissensdatenbank (Konsole) Feld in der Einrichtung der Wissensdatenbank (API) Beschreibung
    ARN des Amazon-Aurora-DB-Clusters resourceArn Der ARN Ihres DB-Clusters
    Datenbankname databaseName Der Name Ihrer Datenbank
    Tabellenname tableName Der Name der Tabelle Ihrem DB-Cluster
    ARN des Secrets credentialsSecretArn Der ARN des AWS Secrets Manager Schlüssels für Ihren DB-Cluster
Pinecone
Anmerkung

Wenn Sie die Website verwendenPinecone, erklären Sie sich damit einverstanden, AWS in Ihrem Namen auf die angegebene Drittanbieter-Quelle zuzugreifen, um Ihnen Vector Store-Dienste zur Verfügung zu stellen. Sie sind dafür verantwortlich, alle Bedingungen Dritter einzuhalten, die für die Nutzung und Übertragung von Daten aus dem Drittanbieter-Service gelten.

Eine ausführliche Dokumentation zur Einrichtung eines Vector Stores in Pinecone finden Sie unter Pinecone as a Knowledge Base for Amazon Bedrock.

Notieren Sie sich beim Einrichten des Vektorspeichers die folgenden Informationen, die Sie später beim Erstellen einer Wissensdatenbank angeben.

  • Verbindungszeichenfolge — Die Endpunkt-URL für Ihre Indexverwaltungsseite.

  • Namespace — (Optional) Der Namespace, der verwendet werden soll, um neue Daten in Ihre Datenbank zu schreiben. Weitere Informationen finden Sie unter Verwenden von Namespaces.

Es gibt zusätzliche Konfigurationen, die Sie bei der Erstellung eines Pinecone Indexes angeben müssen:

  • Name – der Name des Vektorindex. Wählen Sie einen beliebigen gültigen Namen aus. Geben Sie den ausgewählten Namen später beim Erstellen Ihrer Wissensdatenbank in das Feld Vektorindexname ein.

  • Dimensionen – die Anzahl der Dimensionen im Vektor. Anhand der folgenden Tabelle können Sie bestimmen, wie viele Dimensionen der Vektor enthalten sollte.

    Modell Dimensionen
    TitanG1 Einbettungen — Text 1 536
    CohereEmbedEnglisch 1,024
    CohereEmbedMehrsprachig 1,024

  • Entfernungsmetrik – die Metrik, die verwendet wird, um die Ähnlichkeit zwischen Vektoren zu messen. Wir empfehlen Ihnen, mit verschiedenen Metriken für Ihren Anwendungsfall zu experimentieren. Wir empfehlen, mit der Kosinusähnlichkeit zu beginnen.

Um auf Ihren Pinecone Index zuzugreifen, müssen Sie Amazon Bedrock Ihren Pinecone API-Schlüssel über den AWS Secrets Manager zur Verfügung stellen.

Um ein Geheimnis für Ihre Pinecone Konfiguration einzurichten

  1. Folgen Sie den Schritten unter Ein AWS Secrets Manager Geheimnis erstellen und legen Sie den Schlüssel als apiKey und den Wert als API-Schlüssel für den Zugriff auf Ihren Pinecone Index fest.

  2. Sie finden Ihren API-Schlüssel, indem Sie die Pinecone-Konsole öffnen und API-Schlüssel auswählen.

  3. Nachdem Sie das Geheimnis erstellt haben, notieren Sie sich den ARN des KMS-Schlüssels.

  4. Ordnen Sie Ihrer Servicerolle Berechtigungen zu, um den ARN des KMS-Schlüssels zu entschlüsseln, indem Sie die Schritte unter Berechtigungen zum Entschlüsseln eines - AWS Secrets Manager Secrets für den Vektorspeicher, der Ihre Wissensdatenbank enthält befolgen.

  5. Geben Sie den ARN später beim Erstellen Ihrer Wissensdatenbank in das Feld Anmeldeinformationen – geheimer ARN ein.

Redis Enterprise Cloud
Anmerkung

Wenn Sie die Website verwendenRedis Enterprise Cloud, erklären Sie sich damit einverstanden, den AWS Zugriff auf die angegebene Drittanbieter-Quelle in Ihrem Namen zu autorisieren, um Ihnen Vector Store-Dienste zur Verfügung zu stellen. Sie sind dafür verantwortlich, alle Bedingungen Dritter einzuhalten, die für die Nutzung und Übertragung von Daten aus dem Drittanbieter-Service gelten.

Eine ausführliche Dokumentation zur Einrichtung eines Vector Stores in Redis Enterprise Cloud finden Sie unter Integration Redis Enterprise Cloud mit Amazon Bedrock.

Notieren Sie sich beim Einrichten des Vektorspeichers die folgenden Informationen, die Sie später beim Erstellen einer Wissensdatenbank angeben.

  • Endpunkt-URL — Die öffentliche Endpunkt-URL für Ihre Datenbank.

  • Name des Vektorindexes — Der Name des Vektorindexes für Ihre Datenbank.

  • Vektorfeld — Der Name des Feldes, in dem die Vektoreinbettungen gespeichert werden. Anhand der folgenden Tabelle können Sie bestimmen, wie viele Dimensionen der Vektor enthalten sollte.

    Modell Dimensionen
    TitanG1 Einbettungen — Text 1 536
    CohereEmbedEnglisch 1,024
    CohereEmbedMehrsprachig 1,024

  • Textfeld — Der Name des Felds, in dem Amazon Bedrock die Rohtextblöcke speichert.

  • Von Bedrock verwaltetes Metadatenfeld — Der Name des Feldes, in dem Amazon Bedrock Metadaten zu Ihrer Wissensdatenbank speichert.

Um auf Ihren Redis Enterprise Cloud Cluster zuzugreifen, müssen Sie Amazon Bedrock Ihre Redis Enterprise Cloud Sicherheitskonfiguration über den AWS Secrets Manager zur Verfügung stellen.

Um ein Geheimnis für Ihre Redis Enterprise Cloud Konfiguration einzurichten

  1. Aktivieren Sie TLS, um Ihre Datenbank mit Amazon Bedrock zu verwenden, indem Sie die Schritte unter Transport Layer Security (TLS) befolgen.

  2. Folgen Sie den Schritten unter Ein AWS Secrets Manager Geheimnis erstellen. Richten Sie die folgenden Schlüssel mit den entsprechenden Werten aus Ihrer Redis Enterprise Cloud Konfiguration im Secret ein:

    • username— Der Benutzername für den Zugriff auf Ihre Redis Enterprise Cloud Datenbank. Ihren Benutzernamen finden Sie in der Redis-Konsole im Abschnitt Sicherheit Ihrer Datenbank.

    • password— Das Passwort für den Zugriff auf Ihre Redis Enterprise Cloud Datenbank. Ihr Passwort finden Sie in der Redis-Konsole im Abschnitt Sicherheit Ihrer Datenbank.

    • serverCertificate – Der Inhalt des Zertifikats von der Redis-Cloud-Zertifizierungsstelle. Laden Sie das Serverzertifikat von der Redis-Administratorkonsole herunter, indem Sie den Schritten unter Herunterladen von Zertifikaten folgen.

    • clientPrivateKey – Der private Schlüssel von der Redis-Cloud-Zertifizierungsstelle. Laden Sie das Serverzertifikat von der Redis-Administratorkonsole herunter, indem Sie den Schritten unter Herunterladen von Zertifikaten folgen.

    • clientCertificate – Der öffentliche Schlüssel von der Redis-Cloud-Zertifizierungsstelle. Laden Sie das Serverzertifikat von der Redis-Administratorkonsole herunter, indem Sie den Schritten unter Herunterladen von Zertifikaten folgen.

  3. Nachdem Sie das Secret erstellt haben, notieren Sie sich den entsprechenden ARN. Geben Sie den ARN später beim Erstellen Ihrer Wissensdatenbank in das Feld Anmeldeinformationen – geheimer ARN ein.

MongoDB Atlas
Anmerkung

Wenn Sie MongoDB Atlas verwenden, erklären Sie sich damit einverstanden, AWS in Ihrem Namen auf die angegebene Drittanbieter-Quelle zuzugreifen, um Ihnen Vector Store-Dienste bereitzustellen. Sie sind dafür verantwortlich, alle Bedingungen Dritter einzuhalten, die für die Nutzung und Übertragung von Daten aus dem Drittanbieter-Service gelten.

Eine ausführliche Dokumentation zur Einrichtung eines Vektorspeichers in MongoDB Atlas finden Sie unter MongoDB Atlas as a Knowledge Base for Amazon Bedrock.

Beachten Sie bei der Einrichtung des Vektorspeichers die folgenden Informationen, die Sie bei der Erstellung einer Wissensdatenbank hinzufügen werden:

  • Endpunkt-URL — Die Endpunkt-URL Ihres MongoDB Atlas-Clusters.

  • Datenbankname — Der Name der Datenbank in Ihrem MongoDB Atlas-Cluster.

  • Sammlungsname — Der Name der Sammlung in Ihrer Datenbank.

  • Credentials Secret ARN — Der Amazon-Ressourcenname (ARN) des Geheimnisses, das Sie in AWS Secrets Manager erstellt haben und das den Benutzernamen und das Passwort für einen Datenbankbenutzer in Ihrem MongoDB Atlas-Cluster enthält.

  • (Optional) Vom Kunden verwalteter KMS-Schlüssel für Ihren geheimen ARN für Anmeldeinformationen — wenn Sie Ihren geheimen ARN für Anmeldeinformationen verschlüsselt haben, geben Sie den KMS-Schlüssel an, damit Amazon Bedrock ihn entschlüsseln kann.

Es gibt zusätzliche Konfigurationen für die Feldzuordnung, die Sie angeben müssen, wenn Sie einen MongoDB-Atlas-Index erstellen:

  • Vektorindexname — Der Name des MongoDB Atlas Vector Search Index in Ihrer Sammlung.

  • Vektorfeldname — Der Name des Felds, in dem Amazon Bedrock Vektoreinbettungen speichern soll.

  • Textfeldname — Der Name des Felds, in dem Amazon Bedrock den rohen Chunk-Text speichern soll.

  • Name des Metadatenfeldes — Der Name des Felds, in dem Amazon Bedrock Metadaten zur Quellenattribution speichern soll.

(Optional) Informationen dazu, wie Amazon Bedrock über AWS eine Verbindung zu Ihrem MongoDB Atlas-Cluster herstellt PrivateLink, finden Sie unter RAG-Workflow mit MongoDB Atlas mithilfe von Amazon Bedrock.