Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Buat basis pengetahuan untuk konten multimodal
<a name="kb-multimodal-create"></a>

Anda dapat membuat basis pengetahuan multimodal menggunakan konsol atau API. Pilih pendekatan Anda berdasarkan kebutuhan pemrosesan multimodal Anda.

**penting**  
Dukungan multimodal hanya tersedia saat membuat basis pengetahuan dengan sumber data yang tidak terstruktur. Sumber data terstruktur tidak mendukung pemrosesan konten multimodal.

------
#### [ Console ]

**Untuk membuat basis pengetahuan multimodal dari konsol**

1. Masuk ke Konsol Manajemen AWS dengan identitas IAM yang memiliki izin untuk menggunakan konsol Amazon Bedrock. Kemudian, buka konsol Amazon Bedrock di [https://console.aws.amazon.com/bedrock](https://console.aws.amazon.com/bedrock).

1. Di panel navigasi kiri, pilih **Basis pengetahuan**.

1. Di bagian **Basis pengetahuan**, pilih **Buat**, lalu pilih **Pangkalan Pengetahuan dengan penyimpanan vektor**.

1. (Opsional) Di bawah **detail Basis Pengetahuan**, ubah nama default dan berikan deskripsi untuk basis pengetahuan Anda.

1. Di bawah **izin IAM**, pilih peran IAM yang menyediakan izin Amazon Bedrock untuk mengakses lainnya yang diperlukan. Layanan AWS Anda dapat meminta Amazon Bedrock membuat peran layanan untuk Anda, atau Anda dapat memilih untuk menggunakan peran kustom Anda sendiri. Untuk izin multimodal, lihat. [Izin untuk konten multimodal](kb-permissions.md#kb-permissions-multimodal)

1. Pilih **Amazon S3** sebagai sumber data Anda dan pilih **Berikutnya** untuk mengonfigurasi sumber data Anda.
**catatan**  
Anda dapat menambahkan hingga 5 sumber data Amazon S3 selama pembuatan basis pengetahuan. Sumber data tambahan dapat ditambahkan setelah basis pengetahuan dibuat.

1. Berikan **URI S3** bucket yang berisi konten multimodal Anda dan konfigurasikan awalan inklusi jika diperlukan. Awalan inklusi adalah jalur folder yang dapat digunakan untuk membatasi konten apa yang dicerna.

1. Di bawah **konfigurasi Chunking dan parsing**, pilih strategi parsing Anda:
   + **Pengurai default batuan dasar:** Direkomendasikan untuk pemrosesan konten khusus teks. Parser ini memproses format teks umum sambil mengabaikan file multimodal. Mendukung dokumen teks termasuk file Word, Excel, HTML, Markdown, TXT, dan CSV.
   + **Otomasi Data Batuan Dasar (BDA):** Mengonversi konten multimodal menjadi representasi teks yang dapat dicari. Memproses file PDF, gambar, audio, dan video untuk mengekstrak teks, menghasilkan deskripsi untuk konten visual, dan membuat transkripsi untuk konten audio dan video.
   + **Foundation model parser:** Menyediakan kemampuan parsing canggih untuk struktur dokumen yang kompleks. Memproses PDF, gambar, dokumen terstruktur, tabel, dan konten yang kaya secara visual untuk mengekstrak teks dan menghasilkan deskripsi untuk elemen visual.

1. Pilih **Berikutnya** dan pilih model embedding dan pendekatan pemrosesan multimodal Anda. 
   + **Amazon Nova Multimodal Embeddings: V1.0 Pilih** **penyematan Amazon Nova V1.0** untuk pencarian kesamaan visual dan audio langsung. Konfigurasikan durasi potongan audio dan video (1-30 detik, default 5 detik) untuk mengontrol bagaimana konten tersegmentasi.
**catatan**  
Parameter chunking audio dan video dikonfigurasi pada tingkat model penyematan, bukan pada tingkat sumber data. Pengecualian validasi terjadi jika Anda menyediakan konfigurasi ini untuk model penyematan non-multimodal. Konfigurasikan durasi potongan audio dan video (default: 5 detik, rentang: 1-30 detik) untuk mengontrol bagaimana konten tersegmentasi. Potongan yang lebih pendek memungkinkan pengambilan konten yang tepat sementara potongan yang lebih panjang mempertahankan lebih banyak konteks semantik.
**penting**  
Amazon Nova embedding v1.0 memiliki dukungan terbatas untuk mencari konten ucapan dalam audio/video data. Jika Anda perlu mendukung pidato, gunakan Otomasi Data Batuan Dasar sebagai parser.
   + **Penyematan teks dengan BDA: Pilih model penyematan teks (seperti Titan Text Embeddings** v2) saat menggunakan pemrosesan BDA. Model penyematan teks membatasi pengambilan ke konten khusus teks, tetapi Anda dapat mengaktifkan pengambilan multimodal dengan memilih Amazon Bedrock Data Automation atau Foundation Model sebagai parser.
**catatan**  
Jika Anda menggunakan parser BDA dengan Nova Multimodal Embeddings, Amazon Bedrock Knowledge Bases akan menggunakan penguraian BDA terlebih dahulu. Dalam hal ini, model penyematan tidak akan menghasilkan penyematan multimodal asli untuk gambar, audio, dan video karena BDA mengonversinya menjadi representasi teks.

1. Jika menggunakan Nova Multimodal Embeddings, konfigurasikan **tujuan penyimpanan Multimodal** dengan menentukan bucket Amazon S3 tempat file yang diproses akan disimpan untuk diambil. Knowledge Bases akan menyimpan gambar yang diuraikan ke dalam satu bucket Amazon S3 dengan folder yang dibuat.bda untuk memudahkan akses.
**Rekomendasi kebijakan siklus hidup**  
Saat menggunakan Nova Multimodal Embeddings, Amazon Bedrock menyimpan data sementara di tujuan penyimpanan multimodal Anda dan mencoba menghapusnya setelah pemrosesan selesai. Sebaiknya terapkan kebijakan siklus hidup pada jalur data transien untuk memastikan pembersihan yang tepat. Untuk petunjuk mendetail, lihat [Mengelola data sementara dengan kebijakan siklus hidup Amazon S3](kb-multimodal-troubleshooting.md#kb-multimodal-lifecycle-policy).

1. Di bagian **Basis data vektor**, pilih metode penyimpanan vektor Anda dan konfigurasikan dimensi yang sesuai berdasarkan model penyematan yang Anda pilih.

1. Pilih **Berikutnya** dan tinjau detail konfigurasi basis pengetahuan Anda, lalu pilih **Buat basis pengetahuan**.

------
#### [ CLI ]

**Untuk membuat basis pengetahuan multimodal menggunakan AWS CLI**
+ Buat basis pengetahuan dengan Nova Multimodal Embeddings. Kirim [https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent_CreateKnowledgeBase.html](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent_CreateKnowledgeBase.html)permintaan:

  ```
  aws bedrock-agent create-knowledge-base \
  --cli-input-json file://kb-nova-mme.json
  ```

  Isi `kb-nova-mme.json` (ganti nilai placeholder dengan konfigurasi spesifik Anda):

  ```
  {
      "knowledgeBaseConfiguration": {
          "vectorKnowledgeBaseConfiguration": {
              "embeddingModelArn": "arn:aws:bedrock:us-east-1::foundation-model/amazon.nova-2-multimodal-embeddings-v1:0",
              "supplementalDataStorageConfiguration": {
                  "storageLocations": [
                      {
                          "type": "S3",
                          "s3Location": {
                              "uri": "s3://<multimodal-storage-bucket>/"
                          }
                      }
                  ]
              }
          },
          "type": "VECTOR"
      },
      "storageConfiguration": {
          "opensearchServerlessConfiguration": {
              "collectionArn": "arn:aws:aoss:us-east-1:<account-id>:collection/<collection-id>",
              "vectorIndexName": "<index-name>",
              "fieldMapping": {
                  "vectorField": "<vector-field>",
                  "textField": "<text-field>",
                  "metadataField": "<metadata-field>"
              }
          },
          "type": "OPENSEARCH_SERVERLESS"
      },
      "name": "<knowledge-base-name>",
      "description": "Multimodal knowledge base with Nova Multimodal Embeddings"
  }
  ```

  Ganti placeholder berikut:
  + `<multimodal-storage-bucket>`- Bucket S3 untuk menyimpan file multimodal
  + `<account-id>`- ID akun AWS Anda
  + `<collection-id>`- OpenSearch ID koleksi tanpa server
  + `<index-name>`- Nama indeks vektor dalam OpenSearch koleksi Anda (dikonfigurasi dengan dimensi yang sesuai untuk model penyematan pilihan Anda)
  + `<vector-field>`- Nama bidang untuk menyimpan embeddings
  + `<text-field>`- Nama bidang untuk menyimpan konten teks
  + `<metadata-field>`- Nama bidang untuk menyimpan metadata

------