Amazon 기반 지식 기반 통합 시작하기

PDF를 다운로드하세요.

1. MongoDB 모범 사례 가이드로 이동합니다.

2. Read Whitepaper 또는 Email me the PDF를 클릭하여 PDF에 액세스하세요.

3. PDF를 다운로드하여 로컬에 저장합니다.

PDF를 Amazon S3 버킷에 업로드합니다.

1. 단계에 따라 S3 버킷을 생성합니다. 설명이 포함된 Bucket Name를 사용해야 합니다.

2. 단계에 따라 버킷에 파일 업로드합니다. 방금 다운로드한 PDF가 포함된 파일 을 선택합니다.

Atlas에서 비공개 엔드포인트를 설정합니다.

단계에 따라 Atlas 클러스터에 대한 AWS PrivateLink 비공개 엔드포인트를 설정하세요. 프라이빗 엔드포인트를 식별할 수 있도록 설명적인 VPC ID를 사용해야 합니다.

자세한 내용은 Atlas의 비공개 엔드포인트에 대해 알아보세요.

엔드포인트 서비스를 구성합니다.

MongoDB와 파트너사는 트래픽을 비공개 엔드포인트로 전달하는 네트워크 로드 밸런서가 지원하는 엔드포인트 서비스를 구성하는 데 사용할 수 있는 클라우드 개발 키트(CDK)를 제공합니다.

CDK Github 리포지토리 에 지정된 단계에 따라 CDK 스크립트를 준비하고 실행.

Amazon 베드락 관리 콘솔로 이동합니다.

1. Amazon Web Services 콘솔에 로그인합니다.

2. 왼쪽 상단 모서리에서 Services 드롭다운 메뉴를 클릭합니다.

3. Machine Learning 을 클릭한 다음 Amazon Bedrock 을 선택합니다.

모델 액세스를 관리합니다.

Amazon 베드락은 FM 에 대한 액세스 자동으로 부여하지 않습니다. 아직 추가하지 않았다면 단계에 따라 타이탄1 임베딩 G - 텍스트 및 인간 클로드 V2 1 에 대한 모델 액세스 추가합니다. 모델.

지식 기반을 만듭니다.

1. Amazon Bedrock 콘솔의 왼쪽 탐색에서 Knowledge Bases를 클릭합니다.

2. Create를 클릭한 다음 Knowledge base with vector store를 선택합니다.

3. mongodb-atlas-knowledge-base 을 Knowledge Base name 로 지정합니다.

4. Next를 클릭합니다.

기본적으로 Amazon 베드락은 지식 기반에 액세스하기 위해 새 IAM 역할을 생성합니다.

데이터 소스를 추가합니다.

1. 지식 기반에서 사용되는 데이터 소스의 이름을 지정하세요.

2. 데이터 소스가 포함된 S 버킷의3 URI 를 입력합니다. 또는 Browse S3 를 클릭하고 목록에서 데이터 소스가 포함된 S3 버킷을 찾습니다.

3. Next를 클릭합니다.

   Amazon 베드락에는 데이터 소스의 텍스트 데이터를 벡터 임베딩으로 변환하는 데 사용할 수 있는 임베딩 모델이 표시됩니다.

4. Titan Embeddings G1 - Text 모델을 선택합니다.

Atlas를 지식 기반에 연결하세요.

1. Vector database 섹션에서 Use an existing vector store를 선택합니다.

2. MongoDB Atlas를 선택하고 다음 옵션을 구성합니다.

   

   클릭하여 확대

   • 의 Hostname 경우 연결 문자열 에 있는 Atlas 클러스터의 URL을 입력하세요. 호스트 이름은 다음 형식을 사용합니다:

     <clusterName>.mongodb.net

   • Database name에 bedrock_db을(를) 입력합니다.

   • Collection name에 test을(를) 입력합니다.

   • 에 Atlas cluster 자격 Credentials secret ARN 증명 포함된 시크릿의 ARN을 입력합니다. 자세한 학습 은 Amazon Web Services Secret 관리자 개념을 참조하세요.

3. Metadata field mapping 섹션에서 다음 옵션을 구성하여 Atlas 데이터 소스 포함하고 저장 사용하는 MongoDB Vector Search 인덱스 와 필드 이름을 결정합니다.

   

   클릭하여 확대

   • Vector search index name에 vector_index을(를) 입력합니다.

   • Vector embedding field path에 embedding을(를) 입력합니다.

   • Text field path에 bedrock_text_chunk을(를) 입력합니다.

   • Metadata field path에 bedrock_metadata을(를) 입력합니다.

   참고

   선택 사항으로 Text search index name 필드를 지정하여 하이브리드 검색을 구성할 수 있습니다. 자세히 알아보려면 Amazon Bedrock 및 Atlas를 사용한 하이브리드 검색을 참조하세요.

4. 엔드포인트 서비스를 구성한 경우 PrivateLink Service Name를 입력합니다.

5. Next를 클릭합니다.

지식 기반을 검토하고 생성합니다.

기술 자료에 대한 세부 정보를 검토한 후 Create knowledge base를 클릭하여 만들기를 완료합니다.

데이터 소스를 동기화합니다.

Amazon Bedrock이 지식 기반을 생성한 후에는 데이터를 동기화하라는 메시지가 표시됩니다. Data source 섹션에서 데이터 소스를 선택하고 Sync를 클릭하여 S3 버킷의 데이터를 동기화하고 Atlas에 로드합니다.

동기화 가 완료되면 Atlas 사용하는 경우 bedrock_db.test Atlas UI 의 네임스페이스 로이동하여 벡터 임베딩을 확인할 수 있습니다.

에이전트를 생성합니다.

1. Amazon Bedrock의 왼쪽 탐색창에서 Agents를 클릭합니다.

2. Create Agent를 클릭합니다.

3. Name에 mongodb-rag-agent를 지정하고 Create를 클릭합니다.

모델을 선택하고 프롬프트를 제공합니다.

기본적으로 Amazon 베드락은 에이전트에 액세스할 수 있는 새 IAM 역할을 생성합니다. Agent details 섹션에서 다음을 지정합니다.

1. 드롭다운 메뉴에서 데이터에 대한 질문에 답하는 데 사용하는 제공자 및 AI 모델로 Anthropic 및 Claude V2.1을 선택합니다.

   참고

   Amazon Bedrock은 FM에 대한 액세스 권한을 자동으로 부여하지 않습니다. 아직 추가하지 않았다면, Anthropic Claude V2.1 모델에 대한 모델 액세스 추가 단계를 따르세요.

2. 에이전트가 작업을 완료하는 방법을 알 수 있도록 지침을 제공합니다.

   예를 들어 샘플 데이터 를 사용하는 경우 다음 지침을 붙여넣습니다.

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

3. Save를 클릭합니다.

지식 기반을 추가합니다.

생성한 지식 시간에 에이전트를 연결하려면 다음을 수행합니다.

1. Knowledge Bases 섹션에서 Add을 클릭합니다.

2. 드롭다운 메뉴에서 mongodb-atlas-knowledge-base 을(를) 선택합니다.

3. 에이전트가 데이터 소스와 상호작용하는 방법을 결정하기 위한 지식 기반을 설명합니다.

   샘플 데이터를 사용하는 경우 다음 지침을 붙여넣습니다.

   This knowledge base describes best practices when working with MongoDB.

4. Add을 클릭한 다음 Save를 클릭합니다.

에이전트를 테스트합니다.

1. Prepare 버튼을 클릭합니다.

2. Test 을(를) 클릭합니다. 테스트 Amazon 아직 표시되지 않은 경우 에이전트 세부 정보 오른쪽에 테스트 창이 표시됩니다.

3. 테스트 창 에서 프롬프트를 입력합니다. 에이전트 모델에 프롬프트를 표시하고, MongoDB Vector Search를 사용하여 관련 문서를 조회 다음, 문서를 기반으로 응답을 생성합니다.

   샘플 데이터를 사용한 경우 다음 프롬프트를 입력합니다. 생성된 응답은 다를 수 있습니다.

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

   출력 숨기기

   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]

   팁

   에이전트의 응답에서 주석을 클릭하면 MongoDB Vector Search가 검색한 텍스트 청크 볼 수 있습니다.

완료되면 Save and exit를 클릭합니다.