AmazonBedrockを使用した自作RAGの作り方

【connpass】
DAIMYO Meetup #4
https://nulab.connpass.com/event/307954/

Transcript

1. AmazonBedrockを使⽤した⾃作RAGの作り⽅ DAIMYO Meetup #4 2024.2.28 苑⽥朝彰 1
2. ⾃⼰紹介 苑⽥ 朝彰 Sonoda Tomotada - ID - Github︓tomomj - Twitter︓@sonoda_mj - Work at - 株式会社 Fusic （フュージック） 技術創造部⾨所属 - 新卒3年⽬ - 最近MLを勉強し出した - Skill - AWS／React(Native)／Ruby on Rails 2
3. アジェンダ 3 l 背景 l 事前知識 l AmazonBedrockを使用した自作RAGの作り方 l まとめ
4. 01 背景
5. 新しい情報やプライベートの情報に関する 内容について回答してくれる、ChatGPTの ようなアプリを個人開発で作りたい！
6. でもいいネタが思いつかん！！
7. 参考：https://fusic.co.jp/members
8. ちょうどええデータ あるやん
9. これ使ってみよか〜
10. 作ったもの
11. 苑田（webにない情報） って誰ですか？ Webアプリ
12. 苑田っていうのはな。。。 Webアプリ
13. 02 事前知識
14. 事前知識 14 l 検索拡張生成（RAG）とは l Amazon Bedrockとは
15. 事前知識 15 l 検索拡張生成（RAG）とは l Amazon Bedrockとは
16. 検索拡張⽣成（RAG）とは 16 Retrieval Augmented Generation（RAG） 生成系の言語 AI モデルに外部メモリをつけるというコンセプトのことを指す Vector Database LLM 質問 検索 返答 検索結果 引用：https://github.com/aws-samples/jp-rag-sample
17. 検索拡張⽣成（RAG）とは 17 事前に学習したデータに関しては返答することができる AWSについて教えて AWSってのはな・・・ LLM
18. 検索拡張⽣成（RAG）とは 18 しかし、学習していない内容に関しては答えられない 苑田について教えて 誰やねん 私の知識はxxxx年まででぇ〜
19. 検索拡張⽣成（RAG）とは 19 外部のデータベースなどを紐づけることで、新しい情報やプライベートの情報に関す る回答を生成することができる Vector Database 苑田について教えて 新しいデータをベクトル化 して格納
20. 検索拡張⽣成（RAG）とは 20 外部のデータベースなどを紐づけることで、新しい情報やプライベートの情報に関す る回答を生成することができる Vector Database 近いベクトルを探す 「苑田について教えて」を ベクトル化
21. 検索拡張⽣成（RAG）とは 21 外部のデータベースなどを紐づけることで、新しい情報やプライベートの情報に関す る回答を生成することができる Vector Database 検索結果を返す
22. 検索拡張⽣成（RAG）とは 22 外部のデータベースなどを紐づけることで、新しい情報やプライベートの情報に関す る回答を生成することができる Vector Database 苑田ってのはな
23. RAGはどういう処理をしているのか 23 ベクターDB テキストをベクトル化する モデル 生成系AI
24. RAGはどういう処理をしているのか 24 ベクターDB テキストをベクトル化する モデル 生成系AI ベクトル化して 格納 [0.1, 0.2, 0.3, …]
25. RAGはどういう処理をしているのか 25 ベクターDB テキストをベクトル化する モデル 生成系AI 苑田って誰ですか？？
26. RAGはどういう処理をしているのか 26 ベクターDB テキストをベクトル化する モデル 生成系AI [0.1, 0.2, 0.5, …]
27. RAGはどういう処理をしているのか 27 ベクターDB テキストをベクトル化する モデル 生成系AI [0.1, 0.2, 0.5, …]
28. RAGはどういう処理をしているのか 28 ベクターDB テキストをベクトル化する モデル 生成系AI {vector : [0.1, 0.2, 0.5, …], text: “緑タイツを着てます”} 似たようなものあったわ！ 2つくらい送るな！ {vector : [0.1, 0.1, 0.2, …], text: “AWSエンジニアです”}
29. RAGはどういう処理をしているのか 29 ベクターDB テキストをベクトル化する モデル 生成系AI ＋ 苑田って誰ですか？ { “緑タイツを着てます”} { “AWSエンジニアです”}
30. RAGはどういう処理をしているのか 30 ベクターDB テキストをベクトル化する モデル 生成系AI 苑田っていうのはな？
31. 事前知識 31 l 検索拡張生成（RAG）とは l Amazon Bedrockとは
32. Bedrockとは 32 "*
    -BCTɺ"OUISPQJDɺ$PIFSFɺ.FUBɺ4UBCJMJUZ
    "*ɺ"NB[PO
    ͳͲͷେख "*
    اۀ͕ఏڙ͢Δ ߴੑೳͳج൫Ϟσϧ '.
    Λ୯Ұͷ "1*
    Ͱબ୒Ͱ͖ΔϑϧϚωʔδυܕαʔϏε ↓これらのmodelのAPIが使える
33. ファインチューニング 33 追加学習させて新しくモデルを作れる
34. playground(chat) 34 マネコン上で実際にmodelを使用することができる
35. playground(text) 35 推論パラメータをいじれる パラメータいじれる ↑トークン足りてない
36. 03 AmazonBedrockを使⽤した ⾃作RAGの作り⽅
37. データソース 37 Fusicの公式ページ全て 参考： https://fusic.co.jp/members/108
38. 構成図（１） 38
39. 構成図（１） 39 ベクターDB テキストをベクトル化する モデル 生成系AI Bedrock Fargate
40. 構成図（１） 40 ベクターDB テキストをベクトル化する モデル 生成系AI Bedrock Fargate
41. 構成図（１） 41 ベクターDB テキストをベクトル化する モデル 生成系AI Bedrock Fargate 俺が作った
42. 構成図（１） 42 New!!
43. 構成図（１） 43 ベクトル化するモデル （を搭載したサーバー）
44. 構成図（１） 44 RAGの処理を 全部やってくれるやつ
45. Lambdaの中⾝ 45 ベクターDB テキストをベクトル化する モデル 生成系AI Bedrock Fargate
47. 今までの会話履歴を記載 ベクターDBから持ってきたデータ
48. 会話履歴を使用しない場合 会話履歴を指定する場合 苑田とは誰ですか？ AWSエンジニアです 詳細を教えてください 詳細とは何でしょうか？ 苑田とは誰ですか？ AWSエンジニアです 詳細を教えてください 彼はAWSだけではなく、Rubyも書ける ようです。緑のタイツを着ています。 会話情報が保持される
49. 構成図（1） 49
51. 構成図（1） 51 前処理(めんどくさいやつ)をBedrockで処理
52. データを前処理する 52 名前：苑田朝彰 コメント：ほげほげ 略歴：ほげほげ 担当・スキル：ほげほげ プライベート：ほげほげ 必要なところだけ取ったtxtファイル データの抽出
53. 構成図（1） 53 ベクターDB Freeプラン使用
54. 構成図（2） 54
55. 構成図（2） 55
56. Knowledge Base for Amazon Bedrockとは 56 "NB[PO
    #FESPDL
    ͷφϨοδϕʔεΛ࢖༻͢Δͱɺ"NB[PO
    #FESPDL
    ಺͔Β '.
    Λσʔλιʔ εʹ઀ଓͯ͠ݕࡧ֦ுੜ੒ 3"(
    Λߦ͏͜ͱ͕Ͱ͖Δɻ͜ΕʹΑΓɺ'.
    ͷطଘͷڧྗͳػೳΛ ֦ு͠ɺಛఆͷυϝΠϯ΍૊৫ʹؔ͢Δ஌ࣝΛਂΊΔ͜ͱ͕Ͱ͖Δɻ 引用：https://aws.amazon.com/jp/bedrock/knowledge-bases/
57. データの前処理 57 引用：https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html • ドキュメントを管理しやすいチャンクに分割し、効率的に取得できるようにする • ドキュメントをEmbedding Modelを使用してベクトル化する • Vector DBに格納する Titan
58. ランタイム実⾏ 58 引用：https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html • ユーザーのクエリをベクトル化する • ドキュメントのベクトルと比較し、意味的に類似したチャンクが検索される • 取得されたチャンクからの追加のコンテキストで拡張される Titan Claude
59. Knowledge Baseについて詳しく 59 or or Vector Database Data Source S3 Bedrock User LLM 様々な情報を入れる コードを書かなくとも一括で作成してくれる（S3以外） or
60. デモ
61. 04 まとめ
62. まとめ Bedrockを使ってChatGPTのようなアプリを簡単に作ることができた Point 2 データの精度を上げるには前処理が重要 62 Point 1 Point 3 Knowledge Base for Amazon Bedrockを使うと、もっと簡単に作成できる
64. ご清聴いただきありがとうございました Thank You We are Hiring ! https://recruit.fusic.co.jp/