Amazon Bedrock ナレッジベース統合の開始方法

PDF をダウンロードします。

1. MongoDB のベストプラクティス ガイドに移動します。

2. PDF にアクセスするには、 Read WhitepaperまたはEmail me the PDFをクリックします。

3. PDF をローカルにダウンロードして保存します。

PDF を Amazon S3 バケットにアップロードします。

1. S3 バケットを作成する には、手順に従います。 。記述的なBucket Nameを使用していることを確認してください。

2. バケットにファイルをアップロードするに は、手順に従います。 。先ほどダウンロードした PDF を含むファイルを選択します。

Atlasでプライベートエンドポイントを設定します。

AWS PrivateLinkクラスター用に プライベートエンドポイントを設定する Atlasには、手順に従います。プライベートエンドポイントを識別するには、わかりやすいVPC IDを使用していることを確認します。

詳細については、「 Atlas のプライベートエンドポイントの詳細 」を参照してください。

エンドポイント サービスを構成します。

MongoDB とその提携パートナーは、クラウド開発キット（CDK）を提供しており、トラフィックをプライベートエンドポイントに転送するネットワーク ロード バランサーを基盤としたエンドポイント サービスを構成できます。

CDKGithub リポジトリ で指定された手順に従う CDK スクリプトを準備して実行します。

Amazon Reduce 管理コンソールに移動します。

1. Amazon Web Servicesコンソールにログインします。

2. 左上隅のServicesドロップダウン メニューをクリックします。

3. [ Machine Learningをクリックし、[ Amazon Bedrockを選択します。

モデル アクセスを管理します。

Amazon Advisorは FC へのアクセスを自動的に許可しません。 まだ行っていない場合は、手順に従って モデルアクセスを追加 します Tiger 埋め込み G1 の場合 - テキスト および アン スロットル 句 V2 を使用します。1モデル。

知識ベースを作成します。

1. Amazon Bearer コンソールの左側のナビゲーションで、 Knowledge Basesをクリックします。

2. [Create] をクリックしてから [Knowledge base with vector store] を選択します。

3. mongodb-atlas-knowledge-baseとしてKnowledge Base name を指定します。

4. [Next] をクリックします。

デフォルトでは、Amazon Advisor は知識ベースにアクセスするための新しいIAMロールを作成します。

データソースを追加します。

1. 知識ベースで使用されるデータソースの名前を指定します。

2. データソースを含む S3 バケットの URI を入力します。または、 Browse S3をクリックし、 リストからデータソースを含むS 3バケットを見つけます。

3. [Next] をクリックします。

   Amazon Advisor は、データソースのテキストデータをベクトル埋め込みに変換するために使用できる埋め込みモデルを表示します。

4. Titan Embeddings G1 - Text モデルを選択します。

Atlas を KB に接続します。

1. Vector databaseセクションで、[Use an existing vector store] を選択します。

2. MongoDB Atlasを選択し、以下のオプションを構成します。

   

   クリックして拡大します

   • HostnameURLの場合、Atlas 接続文字列 にある クラスターの を入力します。ホスト名は次の形式を使用します。

     <clusterName>.mongodb.net

   • Database name に bedrock_db と入力します。

   • Collection name に test と入力します。

   • Credentials secret ARNには、Atlas クラスター認証情報を含むシークレットのARNを入力します。 詳細については、「Amazon Web Services Secrets Manager の概念 」を参照してください。

3. Metadata field mapping セクションで以下のオプションを設定し、Atlas がデータ ソースをベクトル化・保存する際に使用する Atlas Vector Search のインデックス名およびフィールド名を指定します。

   

   クリックして拡大します

   • Vector search index name に vector_index と入力します。

   • Vector embedding field path に embedding と入力します。

   • Text field path に bedrock_text_chunk と入力します。

   • Metadata field path に bedrock_metadata と入力します。

   注意

   必要に応じて、Text search index name フィールドを指定してハイブリッド検索を設定することができます。詳細については、「Amazon Bedrock と Atlas を使用したハイブリッド検索」を参照してください。

4. エンドポイント サービス を構成した場合は、 PrivateLink Service Nameを入力します。

5. [Next] をクリックします。

知識ベースを確認して作成します。

知識ベースの詳細を確認したら、 Create knowledge baseをクリックして作成を終了します。

データソースを同期します。

Amazon は、データを同期するように要求します。 Data sourceセクションで、データソースを選択し、 SyncをクリックしてS 3バケットのデータを同期し、Atlas に読み込みます。

同期が完了すると、クラスター内のbedrock_db.testコレクションに移動すると、Atlas UI でベクトル埋め込みを表示できます。

エージェントを作成します。

1. Amazon Advisor の左側のナビゲーションで、 Agentsをクリックします。

2. [Create Agent] をクリックします。

3. mongodb-rag-agentNameとしてCreate を指定し、 [ ] をクリックします。

モデルを選択し、プロンプトを表示します。

デフォルトでは、Amazon Advisor はエージェントにアクセスするための新しいIAMロールを作成します。 Agent detailsセクションで、以下を指定します。

1. ドロップダウン メニューから、データの質問に答えるために使用されるプロバイダーと AI モデルとしてAnthropicとClaude V2.1を選択します。

   注意

   Amazon Advisorは FC へのアクセスを自動的に許可しません。 まだ行っていない場合は、手順に従って モデルアクセスを追加 します のアントラス 句 V の場合は2 になります。1モデル。

2. エージェントがタスクの完了方法を把握できるように、エージェントに指示を提供します。

   たとえば、サンプル データを使用している場合は、次の手順を貼り付けます。

   You are a friendly AI chatbot that answers questions about working with MongoDB.

3. [Save] をクリックします。

知識ベースを追加します。

作成した知識ベースにエージェントを接続するには、次の手順に従います。

1. Knowledge Basesセクションで、 Addをクリックします。

2. ドロップダウンから [mongodb-atlas-knowledge-base] を選択します。

3. エージェントがデータソースと対話する方法を決定するための知識ベースを記述します。

   サンプル データを使用している場合は、次の手順を貼り付けます。

   This knowledge base describes best practices when working with MongoDB.

4. [ Addをクリックし、 Saveをクリックします。

エージェントをテストします。

1. Prepareボタンをクリックします。

2. [ Testをクリックします。 Amazon ID では、エージェントの詳細がまだ表示されていない場合、エージェントの詳細の右側にテスト ウィンドウが表示されます。

3. テスト ウィンドウで、プロンプトを入力します。 エージェントはモデルをプロンプト表示し、Atlas Vector Search を使用して関連するドキュメントを検索し、そのドキュメントに基づいて応答を生成します。

   サンプル データを使用した場合は、次のプロンプトを入力します。 生成される応答は異なる場合があります。

   What's the best practice to reduce network utilization with MongoDB?

   出力を非表示

   The best practice to reduce network utilization with MongoDB is
   to issue updates only on fields that have changed rather than
   retrieving the entire documents in your application, updating
   fields, and then saving the document back to the database. [1]

   Tip

   Atlas Vector Search が検索したテキスト チャンクを表示するには、エージェントの応答内の注釈をクリックします。

完了したら、[Save and exit] をクリックします。