knowledge base fot amazon bedrockを使って、格安でRAG作ってみた

【doorkeeper】
https://jawsug-saga.doorkeeper.jp/events/166448

Transcript

1. Knowledge Base for Amazon Bedrockと Pineconeを使って、格安でRAG作ってみた 【オフライン】JAWS-UG佐賀 2024年新年会LT 〜佐賀のエンジニアで乾杯︕〜 2024.1.27 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 - ソフトウェアエンジニアリング - 新卒3年⽬ - Skill - AWS／React(Native)／Ruby on Rails 2
3. 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 - ソフトウェアエンジニアリング - 新卒3年⽬ - Skill - AWS／React(Native)／Ruby on Rails 3
4. アジェンダ 4 l 背景 l 事前知識 l knowledge base for amazon bedrockとPineconeを使って、格安で RAG作ってみた l まとめ
5. 01 背景
6. RAG面白そうだから 作ってみたい！！
7. 従来のAWSにおけるRAG 7 引用：https://aws.amazon.com/jp/blogs/news/quickly-build-high-accuracy-generative-ai-applications- on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/
8. 従来のAWSにおけるRAG 8 引用：https://aws.amazon.com/jp/blogs/news/quickly-build-high-accuracy-generative-ai-applications- on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/ 試すにはちょっと 高い。。。
9. ほっ…ほなVectorDBだけ安くし て、処理部分を自分で作ろう！
10. コサイン類似度 Embedding Model
11. コサイン類似度 Embedding Model ML初心者にはしんどい
12. 手軽に安く作れる方法 はないんか！！
14. なんか簡単に作れそう
15. これ使ってみよか〜
16. できるだけ工数やお金をかけずに RAGを作って遊びたい！！
17. 02 事前知識
18. 事前知識 18 l 検索拡張生成（RAG）とは l Knowledge Base For Amazon Bedrockとは l Pineconeとは
19. 事前知識 19 l 検索拡張生成（RAG）とは l Knowledge Base For Amazon Bedrockとは l Pineconeとは
20. 検索拡張⽣成（RAG）とは 20 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
21. 検索拡張⽣成（RAG）とは 21 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
22. 検索拡張⽣成（RAG）とは 22 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〜
23. 検索拡張⽣成（RAG）とは 23 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
24. 検索拡張⽣成（RAG）とは 24 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
25. 検索拡張⽣成（RAG）とは 25 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
26. 検索拡張⽣成（RAG）とは 26 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
27. 事前知識 27 l 検索拡張生成（RAG）とは l Knowledge Base For Amazon Bedrockとは l Pineconeとは
28. Bedrockとは 28 "*
    -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
29. Knowledge Base for Amazon Bedrockとは 29 "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/
30. データの前処理 30 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 Cohere
31. ランタイム実⾏ 31 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 Cohere Claude
32. Knowledge Baseについて詳しく 32 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
33. 事前知識 33 l 検索拡張生成（RAG）とは l Knowledge Base For Amazon Bedrockとは l Pineconeとは
34. Pineconeとは 34 ベクトルを保存するためのデータベース（freeプランを使用） 引用：https://www.pinecone.io/product/
35. 03 knowledge base for amazon bedrock を使って、格安でRAG作ってみた
36. データソース 36 Fusicのメンバー紹介（全員分） 参考： https://fusic.co.jp/members/108
37. Slack Bedrock 苑田（webにない情報） って誰ですか？
38. Slack Bedrock 苑田って何ですか？
39. Slack Bedrock 苑田というのは。。。
40. Slack Bedrock 苑田というのは。。。
41. 構成図 41
42. 構成図 42 構築の手間がかからない
43. 構成図 43 フリープランなら無料
44. 構成図 44 モデル 入力トークン 1,000 個あたり 出力トークン 1,000 個あたり Claude 0.00800 USD 0.02400 USD Cohere（埋め込み — 多言語） 0.0001 USD 該当なし
45. 構成図 45 モデル 入力トークン 1,000 個あたり 出力トークン 1,000 個あたり Claude 0.00800 USD 0.02400 USD Cohere（埋め込み — 多言語） 0.0001 USD 該当なし め っ ち ゃ 安 い ！
46. デモ
47. 04 まとめ
48. まとめ Knowledge Base for Bedrockを使⽤することで、簡単にRAGを構築することができた Point 2 Pineconeを使⽤することで、⽐較的安く構築することができた 48 Point 1 Point 3 SlackでRAGを簡単に使⽤することができた
49. 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/