Knowledge Bases for Amazon Bedrock
การสร้าง RAG แบบ Fully-managed บน AWS
การทำ RAG บน AWS
คำศัพท์ที่เกี่ยวข้อง: - Vector Database: ฐานข้อมูลชนิดพิเศษที่เก็บความหมายของข้อความ (Embedding) เพื่อให้ค้นหาด้วยความหมายได้ - Embedding: การแปลงข้อความให้กลายเป็นตัวเลขที่คอมพิวเตอร์เข้าใจ
Knowledge Bases เหมือน "บรรณารักษ์ส่วนตัว" ของ AI ปกติถ้าคุณให้ AI ไปหาคำตอบจากหนังสือพันเล่ม AI จะงงและทำไม่ไหว แต่ถ้ามี Knowledge Bases มันจะทำหน้าที่ไปอ่านหนังสือทั้งหมด (เชื่อมต่อ S3) แล้วทำดัชนีไว้ล่วงหน้า (Vector Embedding) พอเราถาม บรรณารักษ์คนนี้จะไปหยิบหน้ากระดาษที่ตรงเป๊ะมาส่งให้ AI ตอบทันที
สรุป Key Takeaways
- Knowledge Bases ทำให้การทำ RAG เป็นเรื่องง่าย
- เบื้องหลังจะเชื่อมต่อกับ Data Source (เช่น S3) และดึงข้อมูลมาทำ Vector Embedding อัตโนมัติ
- รองรับ Vector Database สำหรับเก็บ Embeddings (เช่น Amazon OpenSearch Service ที่มีฟีเจอร์ k-NN, และ Amazon Aurora PostgreSQL ที่ใช้ pgvector extension)
คำถามที่พบบ่อย
Knowledge Bases for Bedrock ทำอะไรให้บ้าง
เป็น managed RAG — ชี้เอกสารใน S3 แล้ว AWS จัดการให้ครบวงจร: แบ่ง chunk, สร้าง embedding, เก็บใน vector store, ค้นและแนบบริบทให้โมเดลตอนตอบ พร้อมอ้างอิงแหล่งที่มา (citation) — โจทย์ "แชทบอทตอบจากเอกสารบริษัทโดยเขียนโค้ดน้อยที่สุด" ตอบข้อนี้
ข้อมูลในเอกสารเปลี่ยน ต้องเทรนอะไรใหม่ไหม
ไม่ต้อง — แค่ sync ข้อมูลใหม่เข้า Knowledge Base ให้ทำ embedding รอบใหม่ นี่คือข้อได้เปรียบหลักของ RAG เทียบกับ fine-tuning ที่ข้อสอบถามบ่อยที่สุดใน domain นี้
Agents for Bedrock ต่างจาก Knowledge Bases ยังไง
Knowledge Bases = "ตอบจากข้อมูล" ส่วน Agents = "ลงมือทำหลายขั้นตอน" — agent แตกงานเป็นขั้น เรียก API/Lambda ของเราตามลำดับ และใช้ Knowledge Base ประกอบได้ โจทย์ที่ให้จองตั๋ว/เปิด ticket/ประมวลหลายระบบ = Agents
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที