详细内容或原文请订阅后点击阅览

Nippon India共同基金如何使用Amazon Bedrock上的高级抹布方法提高AI助手响应的准确性

2025年7月29日 14:57 33 Comments
X Twitter Instagram Mail

在这篇文章中，我们研究了Nippon Life India Asset Management Limited采用的解决方案，该解决方案通过重写用户查询，汇总和重新响应来提高响应的准确性（NAIVE）抹布方法。所提出的解决方案使用增强的抹布方法，例如重新骑行来提高整体精度

来源:亚马逊云科技 _机器学习
这篇文章与Nippon Life India Asset Management Ltd的Abhinav Pandey共同撰写。通过生成AI驱动的助手的准确信息检索是企业的流行用例。为了降低幻觉并提高整体准确性，检索增强发电（RAG）仍然是最常用的方法，用于检索可靠和准确的响应，这些响应在响应用户查询时使用企业数据。抹布用于用例，例如AI助手，搜索，实时见解，并通过使用相关数据来产生响应，从而改善整体内容质量，从而减少幻觉。AmazonBedrock知识库提供了可用于许多用例的托管抹布经验。亚马逊基石知识库是一项完全管理的服务，可以繁重实现抹布模式，包括数据摄入，数据块，数据嵌入和查询匹配。 Amazon Bedrock提供了来自AI21 Labs，Anthropic，Cohere，Meta，Mista，Mistral AI，稳定性AI和Amazon等领先的AI公司的高性能基础模型（FMS），并通过单个API以及广泛的功能以及具有安全性AI应用程序，具有安全性，隐私权和负责的AI。使用Amazon Bedrock知识库，您可以快速无缝地创建一个抹布解决方案。但是，在具有大量相关文档的大型企业方案中，最终响应仅基于数据库提供的前5个或前10个结果而生成。由于RAG使用相似性匹配，而不是确切的匹配，因此最相关的结果可能不在数据库返回的最高结果中。在这种情况下，常规的抹布模式可能不是高度准确的。
应用程序 信息检索 抹布 广泛的 驱动的 相似性 数据 仍然是 管理的 相关的 质量 整体 使用 RAG 数据块 具有 知识库 数据库 用例 稳定性 Amazon 高性能 AI 匹配 企业 准确性 领先的 常规的 响应 Bedrock 准确的 返回的 提高 安全性 用于