t_wの輪郭

https://www.infoq.com/jp/news/2025/02/aws-bedrock-multi-agent-ai/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=news

https://blog.serverworks.co.jp/tried-llama-31-on-amazon-bedrock

https://nttdocomo-developers.jp/entry/20231202_1

knownetの検索をBedrockからBERTに移行した。
検索精度の変化は定量的な比較をしてないので謎。体感的には変わらん気がする。

https://dev.classmethod.jp/articles/agents-for-amazon-bedrock-ga/

Amazon Bedrockが出ちゃったのでCartesian Genetic Programmingで文章の類似度を学習させるのは一旦止まっているけど、自前でカスタマイズできるモデルがあると用途がぐっと広がるのでまた再開したい。

当初ベクトル検索を用いようとしていたが、検索速度や精度に問題が有るため取りやめた。

現在は検索語を分かち書きして、検索語を構成する句を含む投稿を取得、さらにその投稿と紐づく投稿を取得し、投稿のEmbeddingと検索語のEmbeddingのコサイン類似度で並び替えしている。

Embeddingの取得にはAmazon Bedrockを使っている。

遺伝的ホニャララは死にました。
Amazon Bedrockが正式リリースされてしまったので、それを使っております。

https://zenn.dev/watany/articles/b82029522c762c

来ましたわあああああ

import boto3
import json

bedrock_runtime = boto3.client('bedrock-runtime', region_name="us-east-1")

def handler(event, context):
    # プロンプトに設定する内容を取得
    prompt = event.get('prompt')

    # 各種パラメーターの指定
    modelId = 'amazon.titan-embed-text-v1' 
    accept = 'application/json'
    contentType = 'application/json'

    # リクエストBODYの指定
    body = json.dumps({
        "inputText": prompt,
    })

    # Bedrock APIの呼び出し
    response = bedrock_runtime.invoke_model(
    	modelId=modelId,
    	accept=accept,
    	contentType=contentType,
        body=body
    )

    # APIレスポンスからBODYを取り出す
    response_body = json.loads(response.get('body').read())

    print(response_body)

    # レスポンスBODYから応答テキストを取り出す
    embedding = response_body.get('embedding')

    return embedding

コードの改変元

https://dev.classmethod.jp/articles/invoke-bedrock-form-lambda-function/

何の根拠もないエスパーをするとAmazon Bedrockの機能としてベクトル検索が実装されるので、knownetにベクトル検索を実装するのはそれからの方が良い気はする