Démonstrations Amazon OpenSearch et LangChain

Avant de commencer

Assurez-vous que Python et Streamlit sont installés.
Cloner ce dépôt

Configurer Amazon OpenSearch

Créez une collection Amazon OpenSearch Serverless (tapez Recherche vectorielle et choisissez l'option Création facile ) - documentation.

Créez un index avec la configuration ci-dessous :

Charger des données dans OpenSearch

Téléchargez la lettre Amazon 2022 aux actionnaires et placez-la dans le même répertoire.

Créez un fichier .env et fournissez les informations suivantes sur votre configuration Amazon OpenSearch :

opensearch_index_name= '  '
opensearch_url= '  '
engine= ' faiss '
vector_field= ' vector_field '
text_field= ' text '
metadata_field= ' metadata '

Assurez-vous d'avoir configuré Amazon Bedrock pour l'accès depuis votre machine locale. En outre, vous devez accéder au modèle d'intégration amazon.titan-embed-text-v1 et au modèle anthropic.claude-v2 dans Amazon Bedrock - suivez ces instructions pour plus de détails.

Charger des données PDF :

python3 -m venv myenv
source myenv/bin/activate
pip3 install -r requirements.txt

python3 load.py

Vérifier les données dans la collection OpenSearch

Exécuter l'application de recherche sémantique

streamlit run app_semantic_search.py --server.port 8080

Vous pouvez poser des questions, telles que :

What is Amazon ' s doing in the field of generative AI?
What were the key challenges Amazon faced in 2022?
What were some of the important investments and initiatives mentioned in the letter?

Exécuter l'application RAG

Dans un autre terminal :

 source myenv/bin/activate
streamlit run app_rag.py --server.port 8081

Vous pouvez poser des questions, telles que :

What is Amazon ' s doing in the field of generative AI?
What were the key challenges Amazon faced in 2022?
What were some of the important investments and initiatives mentioned in the letter?