AWS S3 Vectors: RAG, Embeddings и Bedrock в действии | AntStack TV скачать в хорошем качестве

AWS S3 Vectors: RAG, Embeddings и Bedrock в действии | AntStack TV

AWS S3 — это уже не просто объектное хранилище. В этом выпуске AntStack TV Нишит Гириш подробно рассказывает об AWS S3 Vectors — новом, экономичном способе хранения и запроса векторных представлений непосредственно в S3, интегрированном с Amazon Bedrock. В этом выпуске объясняется, что такое векторы и эмбеддинги (без математических выкладок), почему традиционный поиск по ключевым словам не работает, и как генерация дополненных результатов поиска (RAG) становится значительно проще с использованием S3 Vectors — без затрат и операционных издержек OpenSearch. На примере реального бэкэнда в этом эпизоде ​​показано, как Bedrock автоматически разбивает данные на фрагменты, встраивает их, индексирует и извлекает из S3, обеспечивая надежные системы GENAI без искажений и с фильтрацией на основе метаданных. В ходе обсуждения подробно рассматриваются следующие вопросы: 🔵 Что на самом деле означают векторы и эмбеддинги (простое объяснение) 🔵 Почему поиск по ключевым словам не работает, а векторный поиск — работает 🔵 Как RAG основывает LLM на реальных данных 🔵 Автоматическое разбиение на блоки, эмбеддинг и индексирование с помощью Bedrock 🔵 Фильтрация на основе метаданных (год, версия, цикл выпуска) 🔵 Запросы RAG в реальном времени к реальным документам релизов бэкэнда 🔵 Когда векторы S3 — лучший выбор по сравнению с OpenSearch 🔵 Как и когда экспортировать векторы S3 в OpenSearch для масштабируемости или снижения задержки Это практическое руководство на уровне архитектуры — идеально подходит для инженеров, архитекторов и команд, создающих внутренние инструменты ИИ, системы помощи в работе с знаниями или поисковые системы на базе GENAI на AWS. Докладчик: 👨‍💻 Нишит Г. – бэкенд-инженер (MTS1), AntStack Временные метки: 0:00 Введение — Что такое AWS S3 Vectors? 0:34 Что такое векторы (простое объяснение) 2:41 Встраивания и размерности векторов 3:22 Векторный поиск против поиска по ключевым словам 4:24 Где хранятся векторы (OpenSearch против S3) 5:20 Что такое RAG и почему это важно 6:08 Как Bedrock разбивает и встраивает данные 6:34 Векторы AWS S3 (что изменилось на re:Invent) 7:05 Фильтрация метаданных в векторном поиске 8:02 Настройка демонстрации: документы и метаданные 10:11 Создание базы знаний Bedrock 11:55 Выбор моделей встраивания 12:21 Использование S3 в качестве хранилища векторов 13:06 Синхронизация и индексирование данных 13:24 RAG в реальном времени запросы 15:37 Демонстрация фильтрации на основе метаданных 16:27 Обработка пропущенных данных (без галлюцинаций) 17:08 Экспорт векторов S3 в OpenSearch 17:56 Заключительные мысли и примеры использования Основные темы: 🔵 Объяснение векторов и эмбеддингов 🔵 Векторный поиск против поиска по ключевым словам 🔵 Архитектура RAG на AWS 🔵 Базы знаний Amazon Bedrock 🔵 Векторы AWS S3 (преимущества в стоимости и масштабируемости) 🔵 Фильтрация метаданных в векторном поиске 🔵 Компромиссы между OpenSearch и S3 🔵 Готовые к GENAI бэкенд-архитектуры 👀 Почему стоит посмотреть, если вы: 🔵 Разрабатываете внутренние инструменты ИИ 🔵 Экспериментируете с RAG 🔵 Устали от стоимости OpenSearch для POC 🔵 Ищете Упрощенная архитектура GENAI на AWS В этом эпизоде ​​показано, почему AWS S3 Vectors меняют правила игры и когда они являются правильным выбором. Свяжитесь с нами, чтобы начать свой путь к бессерверной архитектуре: https://www.antstack.com/build-with-u... Веб-сайт: https://www.antstack.com/ LinkedIn:   / antstackio   Behance: https://behance.net/antstack Twitter/X:   / antstack   Instagram:   / lifeatantstack   #AWS, #AmazonBedrock, #S3Vectors, #VectorSearch, #RAG, #RetrievalAugmentedGeneration, #GENAI, #GenerativeAI, #LLM, #Embeddings, #SemanticSearch, #AIArchitecture, #CloudArchitecture, #Serverless, #DataEngineering, #AIML, #AIEngineering, #AIInfrastructure, #EnterpriseAI, #ProductionAI, #OpenSearch, #AWSServices, #AWSDevelopers, #TechExplained, #AntStack, #AntStackTV, #MLOps, #LLMOps, #Backe [AWS S3 Vectors, Amazon Bedrock RAG, RAG on AWS, Vector search on AWS, Vector embeddings explained, Retrieval Augmented Generation, AWS Bedrock knowledge base, S3 vector storage, S3 vs OpenSearch vector search, AWS re:Invent S3 Vectors, GENAI architecture on AWS, LLM]