Come posso migliorare i risultati della ricerca e l'accuratezza del recupero in Knowledge Base per Amazon Bedrock?

Risoluzione

Utilizza modelli di fondazione per analizzare i documenti

Quando i documenti sono complessi, non strutturati o contengono una terminologia specifica del dominio, è consigliabile utilizzare modelli di fondazione per analizzare i documenti. I modelli di fondazione migliorano il recupero di dati complessi all'interno di documenti come tabelle nidificate, testo all'interno di immagini e rappresentazioni grafiche di testo. Per personalizzare il modo in cui il modello di fondazione analizza i documenti, fornisci istruzioni in base alla struttura del documento, al dominio o al caso d'uso.

Utilizza strategie di chunking avanzate

Utilizza il chunking semantico o il chunking gerarchico per migliorare le prestazioni della generazione potenziata da recupero dati (RAG).

Utilizza il chunking semantico per documenti senza chiari confini contestuali, come documenti legali o manuali tecnici. Il chunking semantico fornisce un'estrazione e una manipolazione delle informazioni più precise.

Nota: l'utilizzo del chunking semantico comporta costi aggiuntivi. Il costo dipende dalla quantità di dati di cui disponi. Per informazioni sui prezzi, consulta Prezzi di Amazon Bedrock.

Utilizza il chunking gerarchico per documenti complessi con una struttura nidificata, come documenti tecnici o documenti accademici con formattazione complessa e tabelle nidificate. Il chunking gerarchico consente di recuperare ed esplorare in modo efficace un documento di grandi dimensioni. Utilizza i modelli di fondazione per un'analisi preliminare dei dati, quindi utilizza il chunking gerarchico per migliorare l'accuratezza delle risposte generate.

Per personalizzare il processo di chunking e allinearlo ai requisiti dell'applicazione RAG, utilizza una funzione AWS Lambda personalizzata.

Filtra i metadati

Utilizza file .csv per includere i metadati in un'origine dati. Per ridurre il numero di file richiesti e migliorare la gestione dei dati, utilizza le colonne per designare i campi di contenuto e i campi di metadati. È consigliabile utilizzare questa funzionalità per set di dati di file .csv di grandi dimensioni.

Aggiungi filtri ai campi o agli attributi del documento per migliorare la pertinenza delle risposte. Le origini dati possono includere campi o attributi (metadati) del documento che consentono di filtrare e specificare i campi da incorporare. Per ulteriori informazioni, consulta Amazon Bedrock Knowledge Bases now supports metadata filtering to improve retrieval accuracy (Knowledge Base per Amazon Bedrock ora supporta il filtraggio dei metadati per migliorare l'accuratezza del recupero).

Personalizza le query

Modifica una query complessa in sottoquery più piccole e più gestibili. Quando utilizzi la scomposizione delle query, Amazon Bedrock esegue più query sulla knowledge base. Per modificare una query, consulta la scheda Modifiche alle query in Configura e personalizza le query e la generazione di risposte.

Per impostazione predefinita, Amazon Bedrock restituisce fino a cinque risultati che corrispondono a un blocco di origine quando si esegue una query su una knowledge base. Per migliorare i risultati della ricerca, aumenta il numero di blocchi di origine restituiti da Amazon Bedrock. Per aumentare il numero di blocchi di origine, consulta la scheda Numero di blocchi di origine su Configura e personalizza le query e la generazione di risposte.

Utilizza la ricerca ibrida

Per funzionalità algoritmiche di ricerca multipla, utilizza la ricerca ibrida. La ricerca semantica fornisce risposte basate sul significato del testo. Tuttavia, non è in grado di acquisire tutte le parole chiave pertinenti e si basa sulla qualità delle parole incorporate per rappresentare il significato del testo. La ricerca ibrida combina la ricerca semantica con la ricerca per parole chiave per migliorare i risultati della ricerca.

Utilizza modelli reranker

Utilizza modelli reranker per migliorare la pertinenza dei risultati recuperati da Amazon Bedrock.