详细内容或原文请订阅后点击阅览

使用Amazon Bedrock

2025年5月13日 16:43 33 Comments
X Twitter Instagram Mail

在这篇文章中，我们使用Amazon Elastic Kubernetes服务（EKS）与Amazon Bedrock一起演示了一个解决方案，以在AWS上为您的生成AI应用程序构建可扩展和容器化的RAG解决方案，同时将非结构化用户文件数据带入直接，快速和安全的方式，并将您的非结构用户文件数据带到Amazon Bedrock。

来源:亚马逊云科技 _机器学习
生成人工智能（AI）应用程序通常是使用称为检索增强发电（RAG）的技术构建的，该技术可提供基础模型（FMS）访问他们在培训期间没有的其他数据。该数据用于丰富生成的AI提示，以在不连续检验FM的情况下提供更特定于上下文的响应，同时还提高了透明度并最小化幻觉。在这篇文章中，我们在本文中使用Amazon Elastic Kubernetes服务（EKS）在构建Amazon bedrock上使用Amazon bedrone dota to scarerized Rag ai II，在此帖子中演示了一种解决方案，并将其用于集合的rag sepriptions，并将其用于集装效果。 Amazon EKS以直接，快速和安全的方式进行床架，为使用Amazon Bedrock构建RAG应用程序提供了一个可扩展，安全且具有成本效益的环境，还可以有效地部署和监视AI驱动的工作负载，同时利用Bedrock FMS的FMS进行推理。它通过优化的计算实例提高了性能，自动化GPU的工作量，同时通过Amazon EC2斑点实例降低成本，并通过AWS Fargate进行AWS Fargate，并通过本机AWS机制提供企业级安全性用户的现有文件和文件夹以及相关的元数据。通过使用Amazon Bedrock API丰富的Amazon Bedrock API，通过从OpenSearch搜索无服务器矢量数据库中检索的特定于公司的数据来富含生成的AI提示，从而实现了带有Amazon Bedrock的RAG场景。解决方案概述该解决方案使用Amazon EKS托管节点组来自动化Nodes eCycle（Amazon Ec2 Inters）的供应和LifeCycle Managements（Amazon Ec2 Insterness）。集群中的每个托管节点都是为您为您管理的Amazon EC2自动缩放组的一部分
文件夹 安全的 数据 生成 FMS 服务器 EKS AI 技术 透明度 成本效益 EC2 Bedrock 检索 管理的 Amazon 集合的 人工智能 驱动的 相关的 RAG 工作量 低成本 提高 数据库 使用 自动化 工作负载 提供 最小化 应用程序 AWS 其他数据 实例 矢量数据 解决方案 安全性 丰富的 托管