航空航天公司目前正面临着代际劳动力的挑战。随着后COVID时代的强劲复苏，制造商正致力于创纪录的生产速度，这需要在更多员工之间分享高度专业化的领域知识。然而，维持劳动力的数量和经验水平变得愈加困难，因为一代的主题专家SME正在退休，同时后COVID劳动力市场呈现出流动性增强的特点。传统上，这些领域知识被记录在参考手册、服务公告、质量验证系统、工程图纸等文档中，但文档的数量和复杂性日益增加，学习这些知识需要时间。新任SME无法在短时间内获得足够的知识。没有有效的知识转移机制，所有生命周期阶段的生产力可能会受到影响，专家知识的流失和过去错误的重复将使得问题愈加严重。
生成式人工智能是一种现代机器学习ML的形式，最近在推理、内容理解和人机交互方面显示出了显著的进展。它可以帮助人类劳动力迅速消化、总结并回答来自大型技术文档库的复杂问题，从而加快劳动力的发展。AWS在帮助解决这些挑战方面具备独特的优势，提供了广泛的AI/ML服务，拥有超过20年的AI/ML技术开发经验。
本文展示了航空航天客户如何利用AWS的生成式AI和基于ML的服务来解决文档基础的知识使用场景，利用问答聊天机器人为技术人员提供基于大量技术文档库的专家级指导。我们重点介绍两个AWS服务：
Amazon Q 能够帮助企业快速获取与重要问题相关的答案，解决问题、生成内容及采取行动，依靠公司信息库、代码和企业系统中的数据和专业知识。Amazon Bedrock 是一项全面管理的服务，通过单一API提供来自全球领先AI公司的高性能基础模型FMs的多种选择，具有安全、隐私和责任AI的广泛功能，可构建生成式AI应用。虽然Amazon Q无疑是业务用户零代码入门的好方法，但Amazon Bedrock知识库则为生成式AI开发人员在API层面提供了更大的灵活性；我们将在以下部分中探讨这两种解决方案。但首先，让我们回顾一些关于检索增强生成RAG应用的基本概念。
尽管生成式AI在自动化复杂任务方面展现出巨大潜力，但我们的航空航天客户常常对这一技术在安全敏感行业的应用提出担忧。他们询问的问题包括：
“我该如何保持我的生成式AI应用的安全性？”“我如何确保商业关键数据不会被用于训练专有模型？”“我如何保证答案的准确性，仅从权威来源中提取？”避免熟知的幻觉问题。“我该如何追踪模型的推理过程，以建立用户信任？”“我如何确保我的生成式AI应用能够与不断发展的知识库保持同步？”很多基于专有技术文档库构建的生成式AI应用能够通过使用RAG架构来解决这些问题。RAG有助于维护响应的准确性，跟上文档更新的快速步伐，并提供可追溯的推理，同时保护您的专有数据的隐私和安全。
这种架构将通用的大语言模型LLM与客户特定的文档数据库结合，通过语义搜索引擎进行访问。与其对LLM进行特定应用的微调，不如将文档库加载相关的参考材料。在RAG中，这些知识源通常被称为知识库。
高层次的RAG架构如下图所示。工作流程包括以下步骤：
当技术人员有问题时，他们在聊天提示框输入问题。技术人员的问题被用来搜索知识库。搜索结果提供了最相关源文档的排名列表。这些文档片段会作为上下文添加到原始查询中，并发送至LLM作为综合提示。LLM根据提示中的源材料返回问题的答案。由于RAG采用语义搜索，可以在数据库中找到比单纯的关键词匹配更相关的材料。如需了解RAG系统操作的更多细节，请参见使用Amazon SageMaker JumpStart的检索增强生成进行问答。
这种架构在几个关键方面解决了上述担忧：
底层的LLM不需要定制训练，因为领域专业知识包含在一个独立的知识库中。因此，基于RAG的系统可以通过更改知识库中的文档来保持更新或重新训练到全新的领域。这减少了通常与训练定制LLM相关的高昂费用。由于基于文档的提示，生成式AI的答案可以仅限于来自可信文档源的内容，并提供直接的归属以验证。基于RAG的系统能够通过基于角色的访问控制安全地管理对不同知识库的访问。而生成式AI的专有知识则保留在这些知识库中，保持私密和保护。AWS为航空航天及其他高技术领域的客户提供所需工具，以快速构建和安全部署大规模的生成式AI解决方案，具备世界一流的安全性。接下来，我们将看看如何使用Amazon Q和Amazon Bedrock构建基于RAG的解决方案的两个不同用例。
航空航天是一个高接触的行业，技术人员是这个劳动力的前线。技术人员的工作出现在飞机及其组件、工程原型、资格测试、制造、质量检查、维护和修理的每一个生命周期阶段。技术人员的工作既要求高又具有专业性；需要详细了解技术文档以确保产品满足安全、功能和成本要求。知识管理是许多公司的重中之重，寻求将领域知识从专家传递给初级员工，以应对人员流失、提升生产能力和提高质量。
我们的客户常常询问如何利用基于定制生成式AI模型的聊天机器人来自动化访问这些信息，以帮助技术人员做出更明智的决策并加速他们的发展。本文中展示的RAG架构是该用例的绝佳解决方案，因为它允许公司快速部署基于其专有文档的领域专业化生成式AI聊天机器人。Amazon Q可以部署完全管理、可扩展的RAG系统，以解决广泛的业务问题。它提供即时、相关的信息和建议，帮助简化任务，推动决策加快，并激发工作中的创造力和创新。它可以自动连接超过40种不同的数据源，包括 Amazon简单存储服务 (Amazon S3)、Microsoft SharePoint、Salesforce、Atlassian Confluence、Slack和Jira Cloud。
让我们看看如何使用Amazon Q快速部署一个基于生成式AI的聊天机器人“专家”的示例。
登录到Amazon Q控制台。若您之前未使用过Amazon Q，您可能会被请求进行初始配置。
在“连接Amazon Q到IAM身份中心”下，选择“创建帐户实例”以为此演示创建自定义凭证集。在“选择一个套餐进行开始”下，选择“在Q商务中订阅 Amazon Q Business Lite”，以创建测试订阅。如果您之前在该账户中使用过Amazon Q，则可以简单地重复使用现有用户或订阅进行此演示。
创建AWS IAM身份中心和Amazon Q订阅后，在Amazon Q着陆页选择“开始”。
这将创建应用框架。
在“检索器”下，选择“使用本地检索器”。在“索引配置”下，对于基本的低成本检索器，选择“初学者”。选择“下一步”。接下来，我们需要配置一个数据源。在此示例中，我们使用Amazon S3，并假设您已经创建了一个存储桶并上传了文档有关更多信息，请参阅步骤1：创建您的第一个S3存储桶。在此示例中，我们已上传了一些来自联邦航空管理局FAA技术库的公共领域文档，涉及软件、系统标准、仪表飞行评级、航空器构建和维护等内容。
在“数据源”中，选择“Amazon S3”以将我们的RAG助手指向该S3存储桶。在“数据源名称”中，输入您的数据源名称与S3存储桶名称无关，例如myfaadocs。在“IAM角色”中，选择“创建新服务角色推荐”。在“同步范围”中，选择您上传文档的S3存储桶。在“同步运行计划”中，选择“按需运行”或者选择其他选项，如果您希望在设定的计划上重新索引文档。选择“添加数据源”。保留其他设置为默认，然后选择“下一步”以完成添加您的Amazon S3数据源。最终，我们需要创建与聊天机器人相关的用户访问权限。
在“添加组和用户”下，选择“添加组和用户”。在出现的弹出窗口中，您可以选择创建新用户或选择现有用户。若要使用现有用户，则可以跳过以下步骤：选择“添加新用户”，然后选择“下一步”。输入新用户信息，包括有效的电子邮件地址。将向该地址发送一封电子邮件，其中有一个链接用于验证该用户。
现在有了一个用户，选择“分配现有用户和组”，然后选择“下一步”。选择您的用户，然后选择“分配”。您现在应该有一个用户分配给您新的聊天机器人应用。
在“Web体验服务访问”下，选择“创建并使用新的服务角色”。选择“创建应用”。加速器官方网下载您现在创建了一个新的生成式AI应用！在聊天机器人能够回答您的问题之前，您必须至少运行索引器以处理您的文档一次。
在“应用程序”页面上，选择您的应用。选择您的数据源，单击“立即同步”。同步过程需要几分钟才能完成。
同步完成后，在“Web体验设置”标签中，选择“已部署URL”下的链接。如果您还没有，系统会提示您使用您创建的用户凭据登录；使用电子邮件地址作为用户名。
您的聊天机器人现在可以回答您提供的大型文档库中的技术问题。试试看！您会注意到，对于每个答案，聊天机器人提供了“源”选项，以指明它回答的权威参考。
我们完全定制的聊天机器人不需要任何编码、定制数据架构，也无需管理底层基础设施以进行扩展！Amazon Q完全管理安全地大规模部署技术人员助手所需的基础设施。
正如我们在前一个用例中演示的，Amazon Q完全管理整个RAG工作流程，并允许业务用户快速入门。但是，如果您需要对与向量数据库、文档切片、检索和生成最终答案的模型相关的参数有更细致的控制呢？Amazon Bedrock知识库允许生成式AI开发人员构建并与专有文档库进行交互，以便在文档上进行精确而高效的问答。在这个示例中，我们使用与之前相同的FAA文档，但这次我们通过Amazon Bedrock知识库建立RAG解决方案。我们将展示如何使用API和Amazon Bedrock控制台来实现这一点。API基础的方法完整示例可以从GitHub代码库下载。
下图说明了该解决方案的架构。
要使用API实现该解决方案，请完成以下步骤：
创建一个角色，具备从Amazon S3访问数据并将嵌入写入Amazon OpenSearch无服务器的必要策略。此角色将由知识库用于检索基于输入查询的OpenSearch相关片段。python
encryptionpolicy networkpolicy accesspolicy = createpoliciesinoss( vectorstorename=vectorstorename aossclient=aossclient bedrockkbexecutionrolearn=bedrockkbexecutionrolearn)
创建一个空的OpenSearch无服务器索引，用于存留言框-
