详细内容或原文请订阅后点击阅览
使用 Amazon Bedrock 中自动生成的过滤器提高合同搜索准确性
在这篇文章中，我们描述了 AIDA 如何在高层运作，以及它如何帮助解决这些挑战——让用户遵守正确的合同、正确的法律背景和正确的访问边界。具体来说，我们探索 AIDA 如何使用隐式和显式过滤以及 Amazon Bedrock 知识库中元数据丰富的分块来显着提高合约搜索准确性。
来源:亚马逊云科技 _机器学习企业依靠大量复杂的法律协议来做出关键的业务决策 - 确定权利、续订选项、地理限制和合规义务。在娱乐和媒体等行业，组织需要管理跨多个司法管辖区的数千份合同，这项工作主要仍然是手动的：耗时、成本高昂且难以扩展。
我们由 AWS 提供支持的人工智能驱动注释 (AIDA) 解决方案通过将非结构化合同转变为可搜索、可操作的智能来帮助应对这一挑战。 AIDA 使用户能够在大型合约存储库中提出自然语言问题，但提供精确的答案需要的不仅仅是语义搜索。法律文档与上下文高度相关，基于检索增强生成 (RAG) 的系统可以显示比语言模型可以有效处理的内容更多的内容。如果没有仔细控制检索哪些摘录，并且没有足够的文档级上下文，重要的条款就有被忽视或误解的风险。
在这篇文章中，我们描述了 AIDA 如何在高层运作，以及它如何帮助解决这些挑战——让用户遵守正确的合同、正确的法律背景和正确的访问边界。具体来说，我们探索 AIDA 如何使用隐式和显式过滤以及 Amazon Bedrock 知识库中元数据丰富的分块来显着提高合约搜索准确性。
解决方案概述
数据摄取流程
第 1 步：文档提取和元数据配置
该架构从文档摄取开始，其中合同与结构化元数据文件一起同步到 Amazon Bedrock 知识库中。元数据应包含关键合同属性，例如当事人、生效日期、终止日期、管辖权以及其他可以启用下游强大过滤功能的关键属性。
步骤2：分块机制实现
第三步：矢量数据库存储