Uso de modelos Amazon Nova en Elasticsearch

Elasticsearch tiene integraciones nativas con las herramientas y proveedores líderes en la industria de IA generativa. Echa un vistazo a nuestros webinars sobre cómo ir más allá de los conceptos básicos de RAG o crear apps listas para la producción con la base de datos vectorial de Elastic.

Para crear las mejores soluciones de búsqueda para tu caso de uso, inicia una prueba gratuita en el cloud o prueba Elastic en tu máquina local ahora mismo.

En este artículo, hablaremos sobre la familia de modelos de IA de Amazon, Amazon Nova, y aprenderemos a emplearla junto con Elasticsearch.

Acerca de Amazon Nova

Amazon Nova es una familia de modelos de inteligencia artificial de Amazon, disponibles en Amazon Bedrock y diseñados para ofrecer alto rendimiento y eficiencia en costos. Estos modelos funcionan con entradas de texto, imagen y video, generan salidas textuales y están optimizados para diferentes necesidades de precisión, velocidad y costo.

Modelos principales de Amazon Nova

• Amazon Nova Micro: Centrado exclusivamente en texto, es un modelo rápido y rentable, ideal para traducción, razonamiento, completación de código y resolución de problemas matemáticos. Su generación supera los 200 tokens por segundo, lo que la hace ideal para aplicaciones que requieren respuestas instantáneas.
• Amazon Nova Lite: un modelo multimodal de bajo costo capaz de procesar rápidamente imágenes, vídeos y texto. Destaca por su velocidad y precisión, siendo adecuado para aplicaciones interactivas y de gran volumen donde el costo es un factor relevante.
• Amazon Nova Pro: La opción más avanzada, que combina alta precisión, velocidad y eficiencia de costos. Ideal para tareas complejas como resumen en video, preguntas frecuentes, desarrollo de software y agentes de IA. Las reseñas de expertos atestiguan su excelencia en comprensión textual y visual, así como su capacidad para seguir instrucciones y ejecutar flujos de trabajo automatizados.

Los modelos Amazon Nova son adecuados para una variedad de aplicaciones, desde la creación de contenido y análisis de datos hasta el desarrollo de software y la automatización de procesos impulsada por IA.

A continuación, demostraremos cómo emplear los modelos Amazon Nova junto con Elasticsearch para un análisis automatizado de reseñas de productos.

Lo que haremos:

1. Crea un endpoint mediante Inference API, integrando Amazon Bedrock con Elasticsearch.
2. Crea una tubería usando el Procesador de Inferencia, que hará llamadas al endpoint de la API de Inferencia.
3. Indexa las reseñas de productos y genera automáticamente un análisis de las reseñas usando la canalización.
4. Analiza los resultados de la integración.

Creando un endpoint en la API de inferencia con Amazon Nova Lite

Primero, configuramos la API de Inference para integrar Amazon Bedrock con Elasticsearch. Definimos Amazon Nova Lite, id amazon.nova-lite-v1:0, como modelo a usar, ya que ofrece un equilibrio entre velocidad, precisión y costo.

Nota: Necesitarás credenciales válidas para usar Amazon Bedrock. Puedes consultar la documentación para obtener claves de acceso aquí:

Creación de la cadena de análisis de revisiones

Ahora, creamos una cadena de procesamiento que empleará el Procesador de Inferencia para ejecutar una indicación de análisis de revisión. Este prompt enviará los datos de la reseña a Amazon Nova Lite, que realizará:

• Clasificación de sentimiento (positivo, negativo o neutral).
• Resumen de la reseña.
• Generación de palabras clave.
• Medición de autenticidad (auténtica | sospechosa | genérica).

Reseñas de indexación

Ahora, indexamos las reseñas de productos usando la API Bulk. La tubería creada anteriormente se aplicará automáticamente, agregando el análisis generado por el modelo Nova a los documentos indexados.

Consulta y análisis de los resultados

Finalmente, realizamos una consulta para ver cómo el modelo Amazon Nova Lite analiza y clasifica las reseñas. Al ejecutar productos/_search GET, obtenemos los documentos ya enriquecidos con los campos generados a partir del contenido de la revisión.

El modelo identifica el sentimiento predominante (positivo, neutral o negativo), genera resúmenes concisos, extrae palabras clave relevantes y estima la autenticidad de cada revisión. Estos campos ayudan a entender la opinión del cliente sin necesidad de leer el texto completo.

Para interpretar los resultados, analizamos:

• Sentimiento, que indica la percepción general que el consumidor tiene del producto.
• El resumen, que destaca los puntos principales mencionados.
• Palabras clave, que pueden usar para agrupar opiniones similares o identificar patrones de retroalimentación.
• Autenticidad, que indica si la reseña parece fiable. Esto es útil para la curación o la moderación.

Reflexiones finales

La integración entre Amazon Nova Lite y Elasticsearch demostró cómo los modelos de lenguaje pueden transformar las reseñas en bruto en información estructurada y valiosa. Al procesar las reseñas a través de una canalización, pudimos extraer el sentimiento, la autenticidad, los resúmenes y las palabras clave de forma automática y consistente.

Los resultados muestran que el modelo puede comprender el contexto de las reseñas, clasificar las opiniones de los usuarios y destacar los puntos más relevantes de cada experiencia. Esto crea un conjunto de datos mucho más rico que puede aprovechar para mejorar las capacidades de búsqueda.