AWS dos EUA lança Base de Conhecimento Gerenciada do Bedrock para simplificar operações de RAG

De acordo com pt.wedoany.com-A AWS lançou o Amazon Bedrock Managed Knowledge Base, um serviço gerenciado projetado para automatizar a camada de recuperação por trás de aplicações empresariais de IA, aliviando a carga operacional contínua enfrentada pelos desenvolvedores ao construir sistemas de Geração Aumentada por Recuperação (RAG).

Para muitos desenvolvedores, a dificuldade de construir aplicações de IA não está mais concentrada no modelo em si, mas em como manter o conhecimento da aplicação atualizado em tempo real. A Geração Aumentada por Recuperação (RAG) tornou-se uma técnica comum para enraizar aplicações de IA em dados empresariais, mas essa técnica também introduz trabalho operacional contínuo, incluindo tarefas como atualizar embeddings e índices, sincronizar fontes de dados e ajustar o desempenho da recuperação.

A AWS espera aliviar esses encargos com o Bedrock Managed Knowledge Base. Daniel Abib, arquiteto sênior de soluções da AWS, afirmou em uma postagem de blog que o serviço seleciona e gerencia automaticamente, por padrão, modelos de embedding, modelos de reordenação e modelos de base, permitindo que os usuários comecem rapidamente sem precisar escolher ou manter manualmente. Para ajudar na manutenção dos pipelines de dados sem a necessidade de construir e gerenciar integrações personalizadas, o serviço também oferece seis conectores nativos para fontes de dados empresariais, incluindo Amazon S3, SharePoint, Confluence, Google Drive, OneDrive e conteúdo da Web.

Pareekh Jain, analista-chefe da Pareekh Consulting, destacou que, para equipes de desenvolvimento, a capacidade de gerenciar automaticamente a infraestrutura pode aumentar imediatamente a produtividade. Ele afirmou que as empresas gastam muito tempo construindo conectores de dados, gerenciando importação e indexação de documentos, ajustando a qualidade da recuperação, implementando controle de acesso e mantendo bancos de dados vetoriais, tornando a infraestrutura de RAG frequentemente mais complexa do que a própria aplicação de IA. Com este serviço, os desenvolvedores podem se concentrar na construção de aplicações, o que deve acelerar os prazos de implantação e reduzir os custos de manutenção.

O Managed Knowledge Base também visa melhorar a precisão da recuperação. De acordo com Abib, o serviço é equipado com recursos como Smart Parsing e Agentic Retriever, projetados para ajudar a melhorar a precisão em diferentes tipos e fontes de conteúdo, que são problemas comuns enfrentados por pipelines e consultas de RAG em vários repositórios. Jain acredita que melhorar a qualidade da recuperação pode ser particularmente importante para organizações que desejam avançar projetos de IA da fase experimental para a produção, pois os dados de negócios estão dispersos em vários sistemas, e a qualidade da recuperação é crucial para a confiança do usuário.

A AWS também posiciona o Managed Knowledge Base como um componente fundamental para aplicações de agentes. De acordo com o provedor de hiperescala, o serviço se integra ao Bedrock AgentCore, reduzindo a quantidade de código e configuração necessária para conectar fontes de conhecimento empresarial a agentes de IA, ao mesmo tempo que oferece recursos integrados de monitoramento, avaliação e gerenciamento de acesso.

Jain afirmou que essa abordagem de integração pode impactar o ecossistema mais amplo de ferramentas de RAG, por exemplo, reduzindo a necessidade de frameworks de orquestração independentes como LangChain e LlamaIndex, bem como combinações personalizadas de bancos de dados vetoriais, pipelines de importação, etc. No entanto, ele também alertou que a conveniência da abordagem de integração pode aumentar a dependência dos clientes de um único provedor de nuvem e limitar a flexibilidade na montagem e gerenciamento da infraestrutura de IA.

O Amazon Bedrock Managed Knowledge Base está atualmente disponível nas regiões do Norte da Virgínia, Oregon, Sydney, Tóquio, Dublin, Frankfurt, Londres e AWS GovCloud (Oeste dos EUA). O serviço adota um modelo de precificação baseado em uso, com custos vinculados à quantidade de dados de índice armazenados e ao volume de solicitações de recuperação processadas.