Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Amazon Bedrock Agents (ナレッジベースの種類)
Search
為藤アキラ
February 05, 2025
Technology
1
180
Amazon Bedrock Agents (ナレッジベースの種類)
為藤アキラ
February 05, 2025
Tweet
Share
More Decks by 為藤アキラ
See All by 為藤アキラ
AI Agent Vertex AI Agent Builder × A2A × ADKで繋げるマルチエージェント
akiratameto
0
86
[OpsJAWS Meetup33 AIOps] Amazon Bedrockガードレールで守る安全なAI運用
akiratameto
2
250
Amazon Bedrockで実現する堅牢なデータエンジニアリング
akiratameto
1
61
Bedrock カスタムモデルvs汎用モデルの比較
akiratameto
1
120
Vertex AIで実現するLLMデータアノテーションの効率化と自動化
akiratameto
0
96
DeepSeek-R1をカスタムモデルとしてAmazon Bedrockにインポートし活用
akiratameto
0
200
Amazon Bedrock Agents (基本編)
akiratameto
0
160
SageMaker Feature Storeを活かしたLLM推論
akiratameto
1
60
Other Decks in Technology
See All in Technology
BEYOND THE RAG🚀 ~とりあえずRAG?を超えていけ! 本当に使えるAIエージェント&生成AIプロダクトを目指して~ / BEYOND-THE-RAG-Toward Practical-GenerativeAI-Products-AOAI-DevDay-2025
jnymyk
4
240
データエンジニアリング 4年前と変わったこと、 4年前と変わらないこと
tanakarian
2
370
ecspressoの設計思想に至る道 / sekkeinight2025
fujiwara3
11
1.7k
低レイヤソフトウェア技術者が YouTuberとして食っていこうとした話
sat
PRO
7
5.8k
Building GoReleaser - from shell script to paid product
caarlos0
0
270
経理出身PdMがAIプロダクト開発を_ハンズオンで学んだ話.pdf
shunsukenarita
1
140
増え続ける脆弱性に立ち向かう: 事前対策と優先度づけによる 持続可能な脆弱性管理 / Confronting the Rise of Vulnerabilities: Sustainable Management Through Proactive Measures and Prioritization
nttcom
1
180
機械学習を「社会実装」するということ 2025年夏版 / Social Implementation of Machine Learning July 2025 Version
moepy_stats
1
720
本当にわかりやすいAIエージェント入門
segavvy
10
6k
2025-07-25 NOT A HOTEL TECH TALK ━ スマートホーム開発の最前線 ━ SOFTWARE
wakinchan
0
140
AI Ready API ─ AI時代に求められるAPI設計とは?/ AI-Ready API - Designing MCP and APIs in the AI Era
yokawasa
21
5.8k
QAを早期に巻き込む”って どうやるの? モヤモヤから抜け出す実践知
moritamasami
2
180
Featured
See All Featured
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
181
54k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
251
21k
Optimizing for Happiness
mojombo
379
70k
Why Our Code Smells
bkeepers
PRO
337
57k
Side Projects
sachag
455
43k
Rails Girls Zürich Keynote
gr2m
95
14k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
50
5.5k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
126
53k
Done Done
chrislema
184
16k
Practical Orchestrator
shlominoach
189
11k
Reflections from 52 weeks, 52 projects
jeffersonlam
351
21k
Thoughts on Productivity
jonyablonski
69
4.7k
Transcript
AWS活用 Amazon Bedrock #2 Amazon Bedrock Knowledge Bases ナレッジベースの種類 株式会社BLUEISH
代表取締役CEO兼CTO 為藤アキラ @AkiraTameto
為藤 アキラ (Akira Tameto) 株式会社BLUEISH 代表取締役 CEO兼CTO ・AWS歴12年 ・直近のAIプロジェクト
・画像を中心とした機械学習とLLM のハイブリッドのアーキテクト 自己紹介
今回の基本編でのゴール ・RAGとは? ・ナレッジベースとは? ・ナレッジベースの種類 - ベクターストアを用いたナレッジベース - 構造化データストアを用いたナレッジベース
- Amazon Kendra GenAIインデックスを用いたナレッジベース
RAGとは?
RAGとは? RAG(Retrieval-Augmented Generation)とは、生成型AIに外部の知識を取り 入れることで、より正確で豊富な情報に基づいた文章を生成する手法
RAGが重要なのはなぜか? LLM の応答には予測がつかないという問題がある。 さらに、LLM のトレーニングデータは静的であり、蓄積された知識に期限を設け ています。 <LLMの課題U 答えがないのに虚偽の情報を提示すること ユーザーが特定の最新の応答を期待している場合に、古くなった、または一 般的な情報を提示する
用語の混乱により、異なるトレーニングソースが同じ用語を使用して異なる 内容について話すため、回答が不正確になります。
Bedrock Knowledge Bases!
Bedrock Knowledge Baseとは?
Bedrock Knowledge Basesとは? RAGをエンドツーエンドで支援するフルマネージド機能。 企業のプライベートデータをLLMやエージェントに安全に接続し、文脈に沿っ た回答を生成できる
Bedrock Knowledge Basesとは? RAGを で支援するフルマネージド機能。 企業のプライベートデータをLLMやエージェントに安全に接続し、文脈に沿っ た回答を生成できる エンドツーエンド ここでいう「エンドツーエンド」とは、データの取り込みから最終的な回答生 成までの全プロセスを一貫して、シームレスに提供出来るということ
Bedrock Knowledge Basesとは? 1. データの取り込み・インジェスト 企業のプライベートデータを安全に収集・統合し、処理可能な形に整備します。 2. インデックス作成・検索 取り込んだデータに対してインデックスを作成し、必要な情報を効率的に検索・抽出できるようにします。 3.
文脈付与・プロンプト生成 検索結果を元に、LLM(大規模言語モデル)やエージェントに与えるための適切な文脈情報やプロンプトを生成します。 4. 回答生成 LLMが提供された文脈情報をもとに、ユーザーの質問に対して適切な回答を生成します。
ナレッジベースの種類
ナレッジベースの種類
ナレッジベースの種類 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース 2.Knowledge Base
with Structured Data Store 構造化データストア型ナレッジベース 3.Knowledge Base with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース
ナレッジベースの種類 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース 2.Knowledge Base
with Structured Data Store 構造化データストア型ナレッジベース 3.Knowledge Base with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース
ナレッジベースの種類
ナレッジベースの種類
1.ベクターストア型ナレッジベース <概要> ・非構造化データ(例: テキスト文書やPDF)を扱う一般的なRAGアプローチ。 文書をベクトル表現に変換し類似検索で関連情報を取得することが出来る。 ・取り込み~分割~埋め込み生成~格納までの流れを自動処理するため、開発 者はデータソースを指定するだけで利用可能!
1.ベクターストア型ナレッジベース テキストの意味に基づく検索が可能になり、質問と表現が異なっても関連内容を 見つけ出せる。社内の様々な非構造データ(ドキュメント、ノート、Wiki等)に 横断的に対応可能で、LLMによる回答に社内文書のコンテキストを追加できる <ユースケース> ・社内ナレッジFAQボット ・製品マニュアルや技術文書のQA ・契約書やレポートの要約取得など ・社内ドキュメントを活用した質問応答全般
2.構造化データストア型ナレッジベース 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース 3.Knowledge Base
with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース 2.Knowledge Base with Structured Data Store 構造化データストア型ナレッジベース
2.構造化データストア型ナレッジベース
2.構造化データストア型ナレッジベース <概要> 構造化データ(テーブルやデータベースのレコード)に対する質問に、該当デー タをクエリで取り出して回答に利用するアプローチ。自然言語の質問をデータ ベース問い合わせ(SQL)に変換して実行し、結果を取得することが出来る。
2.構造化データストア型ナレッジベース <ユースケース> 構造化データに基づくQ&Aシナリオ系に適している ・ビジネス指標や社内システムの問い合わせ (例:「••の今月の売上は?」、「◦◦の在庫数はいくつ?」など)。 ・社内のBI/分析データ ・顧客データベース ・在庫・取引記録の問い合わせ対応など
3.Amazon Kendra GenAIインデックス型ナレッジベース 1.Knowledge Base with Vector Store ベクターストア型ナレッジベース
2.Knowledge Base with Structured Data Store 構造化データストア型ナレッジベース 3.Knowledge Base with Kendra GenAI Index Amazon Kendra GenAIインデックス型ナレッジベース
3.Amazon Kendra GenAIインデックス型ナレッジベース
3.Amazon Kendra GenAIインデックス型ナレッジベース <概要> Amazon Kendra をLLM向けの情報検索に利用するアプローチ。 Kendraに社内ドキュメントをインデックスし、Bedrock Knowledge Baseがそ
のインデックスに対して検索を行います。
3.Amazon Kendra GenAIインデックス型ナレッジベース <Kendraとは?> Amazon Kendraは、機械学習を活用したエンタープライズ検索サービスです。 Amazon Kendraを利用することで、Amazon S3 バケットやAmazon
RDS等 様々な場所に存在するデータやドキュメントから、必要な情報を効率的に検索 することが可能になります。
3.Amazon Kendra GenAIインデックス型ナレッジベース <ユースケース> 大量の社内ドキュメントを扱う場合や、データソースが多岐にわたる場合など (ファイルサーバ、SharePoint、社内Wiki、チケットシステム等に分散した情 報)。 既に社内検索でKendraを導入済みで、そのインデックスを生成AIにも活用した いケースの時につかえる
まとめ
4.まとめ Amazon Bedrock Knowledge Base により、企業のデータを組み込んだ生成AIアプリケーショ ンを簡潔に構築可能。データの形態や目的に合わせ、「ベクターストア」「構造化DB」 「Kendraインデックス」の3つの方法を選択できる。 1.ベクターストア 社内の非構造テキストから有用情報をベクトル検索で取得し、LLMの回答に反映。ドキュメントQAに最適
2.構造化データ 社内DBの最新データを直接参照して回答を生成。社内数値レポートや事実質問に有効 3.Kendra 企業向け検索基盤とLLMを統合。大規模・多様な文書セットを扱う高度なQAシステムに適する
Thank You!