Saltearse al contenido
Nappai Documentation

Amazon Bedrock Embeddings

Amazon Bedrock Embeddings es un componente que convierte textos en vectores numéricos (embeddings) usando los modelos de Amazon Bedrock. Los embeddings son útiles para tareas como búsqueda semántica, clasificación y clustering de textos.

¿Cómo funciona?

Cuando activas el componente, Nappai crea una sesión de AWS con las credenciales que hayas configurado previamente. Luego llama al servicio Bedrock Runtime de Amazon para enviar el texto y recibir un vector de embedding. El proceso es rápido y no requiere que el usuario escriba código; simplemente selecciona el modelo y los parámetros de conexión.

Operaciones

(Esta sección se omite porque el componente no tiene operaciones.)

Entradas

Modo de Mapeo (Mapping Mode)

Este componente cuenta con un modo especial llamado “Mapping Mode” (Modo de Mapeo). Cuando activas este modo mediante el interruptor, se habilita una entrada adicional llamada “Mapping Data” y cada campo de entrada te ofrece tres formas diferentes de proporcionar datos:

  • Fixed (Fijo): Escribes el valor directamente en el campo.
  • Mapped (Mapeado): Conectas la salida de otro componente para usar su resultado como valor.
  • Javascript: Escribes código Javascript para calcular el valor dinámicamente.

Esta flexibilidad te permite crear flujos de trabajo más dinámicos y conectados.

Campos de Entrada

  • Endpoint URL: La dirección del punto final de Bedrock. Si no lo indicas, se usará el endpoint por defecto de la región configurada.
  • Mapping Mode: Interruptor que habilita el modo de mapeo para procesar varios registros a la vez.
  • Model Id: Identificador del modelo de embeddings que quieres usar. Por defecto está configurado en amazon.titan-embed-text-v1.

Nota importante sobre credenciales
Este componente necesita una credencial de tipo Amazon Bedrock API.

  1. Ve a la sección de credenciales de Nappai y crea una nueva credencial llamada, por ejemplo, BedrockAPI.
  2. Ingresa los datos requeridos:
    • Credentials Profile Name
    • AWS Access Key ID
    • AWS Secret Access Key
    • AWS Region
  3. En el componente, selecciona la credencial BedrockAPI en el campo Credential.

Salidas

  • Embeddings: Un vector numérico que representa el texto de entrada. Este vector puede ser usado como entrada para otros componentes, como un almacén de vectores o un motor de búsqueda semántica.

Ejemplo de Uso

  1. Entrada de texto: Conecta un componente que provea textos (por ejemplo, un campo de entrada de usuario o un flujo de datos de documentos).
  2. Amazon Bedrock Embeddings: Configura el modelo amazon.titan-embed-text-v1. Si quieres procesar varios textos a la vez, activa el Mapping Mode y conecta la salida de tu fuente de datos a la entrada Mapping Data.
  3. Salida: Conecta la salida Embeddings a un componente de búsqueda o a un almacén de vectores para realizar consultas semánticas.

Ejemplo rápido

  • Entrada: Texto “El clima hoy es soleado”.
  • Salida: Vector de 1024 dimensiones que representa ese texto.
  • Uso: Enviar ese vector a un componente de similitud para encontrar documentos similares.

Plantillas

(Esta sección se omite porque no hay plantillas que utilicen este componente.)

Componentes Relacionados

  • Amazon Bedrock Text Generation – Genera texto con modelos de Bedrock.
  • OpenAI Embeddings – Crea embeddings usando la API de OpenAI.
  • Local Embeddings – Genera embeddings localmente sin llamar a servicios externos.

Consejos y Mejores Prácticas

  • Usa Mapping Mode cuando necesites procesar lotes de textos; ahorra tiempo y recursos.
  • Mantén tus credenciales seguras: no las compartas en el flujo, usa la sección de credenciales de Nappai.
  • Elige la región correcta: la región que especifiques debe coincidir con la donde está desplegado tu modelo Bedrock.
  • Revisa los límites de uso de Bedrock para evitar sobrepasar cuotas.

Consideraciones de Seguridad

  • Los datos de acceso (Access Key y Secret Key) se manejan a través de la credencial de Nappai y no se exponen en el flujo.
  • Asegúrate de que la credencial tenga solo los permisos necesarios (por ejemplo, bedrock:InvokeModel).
  • Si trabajas con datos sensibles, revisa las políticas de retención y encriptación de Amazon Bedrock.