Перейти к содержимому

AWS добавила табличный поиск в Bedrock Knowledge Base

Короткий ответ

В Amazon Bedrock Managed Knowledge Base появился табличный поиск. Если для ответа нужны цифры из файла CSV, XLSX или XLS, агент запускает код по всему файлу в песочнице и объединяет результат с фактами из связанных документов. Ответ приходит с цитатами и трассировкой, где указан прочитанный файл.

Что это значит для операций

Если данные по продажам, поддержке или финансам лежат в выгрузках и книгах Excel рядом с регламентами, которые придают этим цифрам смысл, функция закрывает реальный разрыв. Вопрос вроде «какие аккаунты нарушают правило из PDF» больше не требует аналитика, который сводит оба источника вручную. Для компании на 10-200 человек практическая проверка проста: возьмите один настоящий вопрос, где правило из документа сочетается с расчётом по таблице. Назовите в вопросе и документ, и файл, и замерьте время ответа, ведь выполнение кода добавляет к работе агента ещё один шаг. Управляемые метрики и регулярные дашборды оставьте в BI-инструментах, а трассировку используйте для аудита: по ней видно, какой файл был прочитан.

AWS добавила табличный поиск в Amazon Bedrock Managed Knowledge Base, об этом сообщает AWS Machine Learning Blog. Благодаря функции агентный поиск теперь отвечает на вопросы, которым нужны данные из файлов CSV, XLSX и XLS.

Какую проблему решают

Обычная схема RAG возвращает ограниченный набор фрагментов, лучше всего подходящих под вопрос. Для текста этого хватает, а для таблиц нет. Длинная таблица разбивается на множество фрагментов, поэтому итог или проверка порога строятся лишь по нескольким строкам. В широкой таблице одна строка может содержать больше текста, чем обрабатывает модель поиска, и значения из дальних столбцов находить сложнее. К тому же вопросы задают языком бизнеса, а в таблицах стоят коды центров затрат и названия счетов. Правило, которое придаёт цифрам смысл, часто записано в отдельной политике.

Как это работает

Табличный поиск встроен в существующий агентный поиск, поэтому ничего включать не нужно. Запросы идут через тот же вызов AgenticRetrieveStream, что и для документов. Система находит релевантные выдержки, решает, нужно ли выполнять код над одной или несколькими найденными таблицами, и копирует исходный файл в изолированную песочницу без доступа к сети. Код, написанный моделью, проходит по всей таблице или листу и возвращает только то, что выводит на печать: например, суммы или подходящие строки. Затем агент пишет ответ на основе этих результатов и найденных фрагментов, с цитатами.

Сначала поиск всё равно должен найти нужный файл с таблицей, поэтому название файла в вопросе помогает, особенно если есть черновик и финальная версия. API Retrieve по-прежнему возвращает только фрагменты и код не запускает. Функция работает с файлами, подключёнными через коннекторы, такие как Amazon S3, Microsoft SharePoint и Atlassian Confluence.

Пример из статьи

В статье использованы вымышленные финансовые файлы: книга отчёта о прибылях и убытках, политика по отклонениям, записка о закрытии квартала и бизнес-обзор. Один из вопросов: каким отделам нужно написать комментарий к отклонениям. Для ответа нужны порог из политики, пересмотры бюджета из записки и расчёты по строке каждого отдела. Обычный поиск возвращает фрагменты, но не ответ. Табличный поиск называет отделы Sales, Engineering и Operations, ссылается на политику и записку, а трассировка показывает, какую книгу прочитал код.

Ограничения

  • Ответы с данными из таблиц приходят дольше: выполнение кода добавляет как минимум один шаг агента.
  • Управляемые метрики, регулярные дашборды и соединения в масштабе хранилища данных остаются за BI-инструментами.
  • Файлы больше лимита фильтра размера в источнике данных не загружаются, и код их прочитать не может.
  • Код работает с файлами CSV до 500 МБ, а с листами Excel только до 200 МБ, по состоянию на момент написания статьи.
  • Сгенерированный код не возвращается, поскольку может содержать значения ячеек. В трассировке указаны прочитанные файлы.
  • У вызывающей стороны должны быть права на агентный поиск, включая bedrock:GetDocumentContent: агент читает исходный файл с учётными данными вызывающего.

В статье также разобраны пример настройки с источником данных в S3, диалоги из нескольких реплик и фильтры по метаданным, которые определяют, какие файлы может читать код.

Источник: AWS Machine Learning Blog

Инструменты из этой новости

  • Microsoft - цена, кто пользуется, альтернативы
Следующий шаг

Visibility Analyzer

Новость об ИИ не скажет, как ассистенты видят ваш сайт. Это проверяет Visibility Analyzer на живом сайте: в каких ответах вас цитируют, до каких страниц ассистенты не добираются и что чинить первым. Запуск бесплатный.

Запустить бесплатный аудит видимости

Запуск бесплатный, карта не нужна.

Стоимость
Бесплатно
Срок
Один прогон, минуты

Бесплатный тариф: два анализа в день, без карты.

Ещё по теме