Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Amazon Bedrock Agents (ナレッジベースの種類)
Search
為藤アキラ
February 05, 2025
Technology
1
100
Amazon Bedrock Agents (ナレッジベースの種類)
為藤アキラ
February 05, 2025
Tweet
Share
More Decks by 為藤アキラ
See All by 為藤アキラ
Bedrock カスタムモデルvs汎用モデルの比較
akiratameto
1
79
Vertex AIで実現するLLMデータアノテーションの効率化と自動化
akiratameto
0
42
DeepSeek-R1をカスタムモデルとしてAmazon Bedrockにインポートし活用
akiratameto
0
130
Amazon Bedrock Agents (基本編)
akiratameto
0
70
SageMaker Feature Storeを活かしたLLM推論
akiratameto
0
31
Other Decks in Technology
See All in Technology
データエンジニアリング領域におけるDuckDBのユースケース
chanyou0311
9
2.2k
Aurora PostgreSQLがCloudWatch Logsに 出力するログの課金を削減してみる #jawsdays2025
non97
1
190
ディスプレイ広告(Yahoo!広告・LINE広告)におけるバックエンド開発
lycorptech_jp
PRO
0
340
あなたが人生で成功するための5つの普遍的法則 #jawsug #jawsdays2025 / 20250301 HEROZ
yoshidashingo
2
280
わたしがEMとして入社した「最初の100日」の過ごし方 / EMConfJp2025
daiksy
14
4.9k
脳波を用いた嗜好マッチングシステム
hokkey621
0
280
アジャイルな開発チームでテスト戦略の話は誰がする? / Who Talks About Test Strategy?
ak1210
1
540
【5分でわかる】セーフィー エンジニア向け会社紹介
safie_recruit
0
18k
ウォンテッドリーのデータパイプラインを支える ETL のための analytics, rds-exporter / analytics, rds-exporter for ETL to support Wantedly's data pipeline
unblee
0
120
Potential EM 制度を始めた理由、そして2年後にやめた理由 - EMConf JP 2025
hoyo
2
2.6k
Ruby on Railsで持続可能な開発を行うために取り組んでいること
am1157154
3
140
OPENLOGI Company Profile for engineer
hr01
1
20k
Featured
See All Featured
Why Our Code Smells
bkeepers
PRO
336
57k
Fontdeck: Realign not Redesign
paulrobertlloyd
83
5.4k
Visualization
eitanlees
146
15k
Building Applications with DynamoDB
mza
93
6.2k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
7
640
It's Worth the Effort
3n
184
28k
A Tale of Four Properties
chriscoyier
158
23k
Raft: Consensus for Rubyists
vanstee
137
6.8k
Git: the NoSQL Database
bkeepers
PRO
427
65k
What's in a price? How to price your products and services
michaelherold
244
12k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
133
33k
Speed Design
sergeychernyshev
27
810
Transcript
AWS活用 Amazon Bedrock #2 Amazon Bedrock Knowledge Bases ナレッジベースの種類 株式会社BLUEISH
代表取締役CEO兼CTO 為藤アキラ @AkiraTameto
為藤 アキラ (Akira Tameto) 株式会社BLUEISH 代表取締役 CEO兼CTO ・AWS歴12年 ・直近のAIプロジェクト
・画像を中心とした機械学習とLLM のハイブリッドのアーキテクト 自己紹介
今回の基本編でのゴール ・RAGとは? ・ナレッジベースとは? ・ナレッジベースの種類 - ベクターストアを用いたナレッジベース - 構造化データストアを用いたナレッジベース
- Amazon Kendra GenAIインデックスを用いたナレッジベース
RAGとは?
RAGとは? RAG(Retrieval-Augmented Generation)とは、生成型AIに外部の知識を取り 入れることで、より正確で豊富な情報に基づいた文章を生成する手法
RAGが重要なのはなぜか? LLM の応答には予測がつかないという問題がある。 さらに、LLM のトレーニングデータは静的であり、蓄積された知識に期限を設け ています。 <LLMの課題U 答えがないのに虚偽の情報を提示すること ユーザーが特定の最新の応答を期待している場合に、古くなった、または一 般的な情報を提示する
用語の混乱により、異なるトレーニングソースが同じ用語を使用して異なる 内容について話すため、回答が不正確になります。
Bedrock Knowledge Bases!
Bedrock Knowledge Baseとは?
Bedrock Knowledge Basesとは? RAGをエンドツーエンドで支援するフルマネージド機能。 企業のプライベートデータをLLMやエージェントに安全に接続し、文脈に沿っ た回答を生成できる
Bedrock Knowledge Basesとは? RAGを で支援するフルマネージド機能。 企業のプライベートデータをLLMやエージェントに安全に接続し、文脈に沿っ た回答を生成できる エンドツーエンド ここでいう「エンドツーエンド」とは、データの取り込みから最終的な回答生 成までの全プロセスを一貫して、シームレスに提供出来るということ
Bedrock Knowledge Basesとは? 1. データの取り込み・インジェスト 企業のプライベートデータを安全に収集・統合し、処理可能な形に整備します。 2. インデックス作成・検索 取り込んだデータに対してインデックスを作成し、必要な情報を効率的に検索・抽出できるようにします。 3.
文脈付与・プロンプト生成 検索結果を元に、LLM(大規模言語モデル)やエージェントに与えるための適切な文脈情報やプロンプトを生成します。 4. 回答生成 LLMが提供された文脈情報をもとに、ユーザーの質問に対して適切な回答を生成します。
ナレッジベースの種類
ナレッジベースの種類
ナレッジベースの種類 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース 2.Knowledge Base
with Structured Data Store 構造化データストア型ナレッジベース 3.Knowledge Base with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース
ナレッジベースの種類 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース 2.Knowledge Base
with Structured Data Store 構造化データストア型ナレッジベース 3.Knowledge Base with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース
ナレッジベースの種類
ナレッジベースの種類
1.ベクターストア型ナレッジベース <概要> ・非構造化データ(例: テキスト文書やPDF)を扱う一般的なRAGアプローチ。 文書をベクトル表現に変換し類似検索で関連情報を取得することが出来る。 ・取り込み~分割~埋め込み生成~格納までの流れを自動処理するため、開発 者はデータソースを指定するだけで利用可能!
1.ベクターストア型ナレッジベース テキストの意味に基づく検索が可能になり、質問と表現が異なっても関連内容を 見つけ出せる。社内の様々な非構造データ(ドキュメント、ノート、Wiki等)に 横断的に対応可能で、LLMによる回答に社内文書のコンテキストを追加できる <ユースケース> ・社内ナレッジFAQボット ・製品マニュアルや技術文書のQA ・契約書やレポートの要約取得など ・社内ドキュメントを活用した質問応答全般
2.構造化データストア型ナレッジベース 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース 3.Knowledge Base
with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース 2.Knowledge Base with Structured Data Store 構造化データストア型ナレッジベース
2.構造化データストア型ナレッジベース
2.構造化データストア型ナレッジベース <概要> 構造化データ(テーブルやデータベースのレコード)に対する質問に、該当デー タをクエリで取り出して回答に利用するアプローチ。自然言語の質問をデータ ベース問い合わせ(SQL)に変換して実行し、結果を取得することが出来る。
2.構造化データストア型ナレッジベース <ユースケース> 構造化データに基づくQ&Aシナリオ系に適している ・ビジネス指標や社内システムの問い合わせ (例:「••の今月の売上は?」、「◦◦の在庫数はいくつ?」など)。 ・社内のBI/分析データ ・顧客データベース ・在庫・取引記録の問い合わせ対応など
3.Amazon Kendra GenAIインデックス型ナレッジベース 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース
2.Knowledge Base with Structured Data Store 構造化データストア型ナレッジベース 3.Knowledge Base with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース
3.Amazon Kendra GenAIインデックス型ナレッジベース
3.Amazon Kendra GenAIインデックス型ナレッジベース <概要> Amazon Kendra をLLM向けの情報検索に利用するアプローチ。 Kendraに社内ドキュメントをインデックスし、Bedrock Knowledge Baseがそ
のインデックスに対して検索を行います。
3.Amazon Kendra GenAIインデックス型ナレッジベース <Kendraとは?> Amazon Kendraは、機械学習を活用したエンタープライズ検索サービスです。 Amazon Kendraを利用することで、Amazon S3 バケットやAmazon
RDS等 様々な場所に存在するデータやドキュメントから、必要な情報を効率的に検索 することが可能になります。
3.Amazon Kendra GenAIインデックス型ナレッジベース <ユースケース> 大量の社内ドキュメントを扱う場合や、データソースが多岐にわたる場合など (ファイルサーバ、SharePoint、社内Wiki、チケットシステム等に分散した情 報)。 既に社内検索でKendraを導入済みで、そのインデックスを生成AIにも活用した いケースの時につかえる
まとめ
4.まとめ Amazon Bedrock Knowledge Base により、企業のデータを組み込んだ生成AIアプリケーショ ンを簡潔に構築可能。データの形態や目的に合わせ、「ベクターストア」「構造化DB」 「Kendraインデックス」の3つの方法を選択できる。 1.ベクターストア 社内の非構造テキストから有用情報をベクトル検索で取得し、LLMの回答に反映。ドキュメントQAに最適
2.構造化データ 社内DBの最新データを直接参照して回答を生成。社内数値レポートや事実質問に有効 3.Kendra 企業向け検索基盤とLLMを統合。大規模・多様な文書セットを扱う高度なQAシステムに適する
Thank You!