El avance de la inteligencia artificial generativa y los modelos de lenguaje grande (LLMs) está provocando una transformación significativa en organizaciones de diversos sectores, permitiendo mejorar la experiencia del cliente de manera acelerada en comparación con los métodos tradicionales que requerían años de desarrollo. Cada organización cuenta con una gran cantidad de datos almacenados, ya sea en infraestructuras locales o en proveedores de la nube.
Una forma efectiva de aprovechar esta tecnología es convertir los datos existentes en un índice que pueda ser utilizado por la inteligencia artificial generativa para realizar búsquedas. A diferencia de los resultados obtenidos a partir de preguntas a un LLM de código abierto que solo devuelve información disponible públicamente, la inteligencia generativa proporciona un entendimiento más profundo, complementando la información con contexto adicional mediante técnicas como la Generación Aumentada por Recuperación (RAG).
RAG permite extraer datos de una base de conocimiento preexistente, combinándolos con el conocimiento del LLM, produciendo respuestas más naturales. Para que la inteligencia generativa entienda los datos de una organización, es necesario preparar estos datos, lo que puede representar una curva de aprendizaje considerable.
Amazon Aurora, una base de datos relacional compatible con MySQL y PostgreSQL, está diseñada para optimizar su uso en la nube. Combina la eficacia y disponibilidad de bases de datos empresariales tradicionales con la simplicidad y rentabilidad de bases de datos de código abierto, presentándose como una solución para transformar datos en recursos útiles.
Un ejemplo de implementación de esta estrategia consiste en usar los datos existentes en Aurora como fuente para crear un servicio de búsqueda inteligente, conectando y sincronizando esta fuente con Amazon Kendra. A partir de aquí, se puede realizar una búsqueda de datos generativa que utiliza RAG para generar respuestas precisas, basadas en una combinación de datos organizacionales y el conocimiento de LLMs.
Los pasos para realizar esta implementación incluyen crear un clúster de Aurora PostgreSQL, ingerir datos en la base de datos, establecer un índice en Amazon Kendra, y configurar un conector de Aurora PostgreSQL en Kendra para vincular ambos sistemas. Una vez que el índice Kendra está sincronizado con los datos de Aurora, se habilita la búsqueda inteligente y la generación de respuestas mejoradas a través de la interacción con inteligencia artificial.
La implementación de esta tecnología no solo reduce la necesidad de preparar datos antes de ser utilizados por servicios de búsqueda, sino que también acelera el desarrollo de aplicaciones de inteligencia generativa. Facilita a las organizaciones avanzar en su transformación digital y optimización de servicios al cliente.
