Amazon Bedrock ナレッジベースのデータソースを
Confluenceにする

はじめに

こんにちは。クラウド活用推進担当の栗田です。

社内文書などの情報を生成AIの回答に含めてもらうことをRAGと言いますが、

Amazon Bedrockのナレッジベースを活用すると簡単にできます。

ナレッジベースのデータソースとして、Amazon S3を使用するのが簡単ですが、

今回は、自社で活用しているConfluenceを使用してみましたので、手順を紹介します。

目次

• 構成図
• 前提条件
• 事前準備
• やったこと
• 結果
• 注意点
• まとめ

構成図

今回作成したRAGの構成図です。

今回の構成ではAWSコンソール上でのRAG検索しかできないですが、
例えばLambdaなどを活用すると、チャットツールなどで対話形式でRAGを実現できると思います。

前提条件

・AWSのアカウントがあること

・Confluenceのアカウントがあること

事前準備

・モデルアクセスの有効化

Amazon Bedrockのモデルアクセスにて、使用するベースモデルのアクセスが有効になっている必要があります。

手順については下記を参照してください。

https://docs.aws.amazon.com/ja_jp/bedrock/latest/userguide/model-access-modify.html

※今回の手順では、下記ベースモデルを使用しています。

　・Titan Embeddings G1 - Text

　・Claude

※私はリージョンをバージニア北部にしています。（東京リージョンよりベースモデルの選択肢が多いです）

・ConfluenceのAPI作成

Atlassianのアカウント管理ページにて、

「APIトークンを作成する」ボタンより、Bedrockと接続するためのAPIトークンを作成します。

作成されたトークンは必ずコピペしておいてください。

・AWS Secrets Managerに登録

以下の情報を、AWS Secrets Managerに登録します。 　

　 　 　 　

キー	値
username	Confluenceにログインする際のユーザーネームを記載
password	前項で作成したAPIトークンを記載

実際の登録画面は下記のようになっています。

AWS Secrets ManagerのARN(Amazon Resource Name)を次項で使用するので、

どこかにコピペしておいてください。

※ARNは、AWS Secrets Manager＞シークレット＞シークレット名　の画面上で確認できます。

ナレッジベースの作成

Amazon Bedrockにてナレッジベースを作成していきます。

1. ナレッジベース名を入力します。

また、データソースは「Confluence」を選択します。

2. 次の画面では、データソース名を入力します。

次にConfluence URLを入力します。多くの場合、「https://xxx.atlassian.net」のようになると思います。

次に前項で作成したAWS Secrets ManagerのARNを入力します。

3. 次の画面では、埋め込みモデルを選択します。

私は「Titan Embeddings G1 - Text」を選びましたが、お好みでOKです！

その他はデフォルトで良いので、そのままナレッジベースを作成します。

4. ナレッジベースの作成後は、データソースを同期しておいてください。

結果

ナレッジベースをテストしてみると、Confluenceにアップロードしてある架空の社内規定の情報をちゃんと答えてくれました！

※これは架空の社内規定であり、DTSにこんな規定はありませんのでご安心ください。

注意点

今回、ナレッジベースを作成する際のベクトルデータベース※はデフォルトの「OpenSearch」になっていますが、1日5ドル(700円)くらいかかるので注意してください。

勉強や検証目的であれば、使用後は忘れずに削除してください。

※ベクトルデータベースとは

　データを数値の配列（ベクトル）として保存し、効率的に検索や類似性分析を行うためのデータベース

まとめ

RAGって便利ですね～。今後色んな目的で使われていくのだろうなと思いました。

社内文書などをConfluenceに格納している方の参考になれば幸いです。

あとはコストの面で課題があります。

OpenSearchに関して、もう少しコスト削減できたらなぁと感じました。

OpenSearchの代わりに、Auroraなども選択できるので、いつか試してみたいと思います。