详细内容或原文请订阅后点击阅览

AI代理统一结构化和非结构化数据：使用Amazon Q插件转换支持分析

2025年7月31日 16:28 33 Comments
X Twitter Instagram Mail

了解如何使用自定义插件增强Amazon Q，以将语义搜索功能与精确的AWS支持数据相结合。该解决方案通过将结构化数据查询与抹布架构集成在一起，从而使分析问题更准确地答案，从而使团队可以将原始支持案例和健康事件转换为可行的见解。发现这种增强的体系结构如何进行精确的数值分析，同时保持自然语言互动以改善运营决策。

来源:亚马逊云科技 _机器学习
随着组织寻求从其AWS支持数据中获得更大的价值，运营团队正在寻找将原始支持案例和健康事件转变为可行的见解的方法。尽管传统的分析工具可以提供基本的报告功能，但团队需要更复杂的解决方案，这些解决方案可以理解和处理有关其操作数据的自然语言查询。检索增强的生成（RAG）体系结构构成了基础，是通过在产生响应之前在其培训数据之外引用权威知识库来优化大型语言模型输出的基础。该体系结构利用语义搜索和信息检索功能来提高准确性。在我们以前的博客文章中，使用Amazon Q Business获得了AWS的有意义和可行的操作见解，我们使用Amazon Q Business介绍了基于RAG的解决方案。但是，尽管这种方法在语义搜索方面表现出色，但它可以通过精确的数值分析和聚集来面对挑战。在这篇文章中，我们通过展示如何使用自定义插件来增强Amazon Q来解决这些限制，以改善支持分析和事件响应。我们的解决方案将抹布的优势与结构化数据查询相结合，从而使有关AWS支持数据的分析问题更准确地答案。本文中有关解决方案的详细部署说明可在我们的AWS样本GitHub存储库中获得。理解RAG的设计对AnalyticsRag体系结构的设计擅长通过基于上下文的匹配来查找相关信息，从而使自然语言与外部数据促进自然语言相互作用。但是，矢量相似性搜索的基本架构将语义相关性优先于分析聚合功能，可能会引入重大的不准确性。让我们用一个简单的查询检查此限制：在2025年2月给我全部支持案例的总数，以下是仅抹布的响应，表明该系统试图
不准确性 AWS 信息检索 操作数据 相似性 数据 有关 数据查询 简单的 功能 搜索的 复杂的 分析 可行的 团队 解决方案 语义搜索 使用 互作用 RAG 自然语言 输出的 知识库 操作数 基本的 重大的 传统的 Amazon 不准确 精确的 相互作用 数值分析 以前的 体系结构 Business 准确性 结构的 响应 增强的 支持 相关性 提高