Utilizando modelos do Amazon Nova no Elasticsearch

O Elasticsearch conta com integrações nativas com as principais ferramentas e provedores de IA generativa do setor. Confira nossos webinars sobre como ir além do básico do RAG ou criar aplicativos prontos para produção com o banco de dados vetorial da Elastic.

Para criar as melhores soluções de busca para seu caso de uso, inicie um teste gratuito na nuvem ou experimente o Elastic em sua máquina local agora mesmo.

Neste artigo, discutiremos a família de modelos de IA da Amazon, o Amazon Nova, e aprenderemos como usá-lo em conjunto com o Elasticsearch.

Sobre a Amazon Nova

O Amazon Nova é uma família de modelos de inteligência artificial da Amazon, disponível na plataforma Amazon Bedrock e projetada para oferecer alto desempenho e custo-benefício. Esses modelos operam com entradas de texto, imagem e vídeo, geram saídas textuais e são otimizados para diferentes necessidades de precisão, velocidade e custo.

Modelos principais do Amazon Nova

• Amazon Nova Micro: Focado exclusivamente em texto, este é um modelo rápido e econômico, ideal para tradução, raciocínio, preenchimento automático de código e resolução de problemas matemáticos. Sua geração ultrapassa 200 tokens por segundo, tornando-o ideal para aplicações que exigem respostas instantâneas.
• Amazon Nova Lite: Um modelo multimodal de baixo custo capaz de processar rapidamente imagens, vídeos e textos. Destaca-se pela sua velocidade e precisão, sendo indicado para aplicações interativas e de alto volume onde o custo é um fator relevante.
• Amazon Nova Pro: A opção mais avançada, que combina alta precisão, velocidade e custo-benefício. Ideal para tarefas complexas como resumo de vídeos, perguntas e respostas, desenvolvimento de software e agentes de IA. Avaliações de especialistas atestam sua excelência na compreensão textual e visual, bem como sua capacidade de seguir instruções e executar fluxos de trabalho automatizados.

Os modelos Amazon Nova são adequados para uma variedade de aplicações, desde a criação de conteúdo e análise de dados até o desenvolvimento de software e a automação de processos com inteligência artificial.

A seguir, demonstraremos como usar os modelos do Amazon Nova em conjunto com o Elasticsearch para análise automatizada de avaliações de produtos.

O que faremos:

1. Crie um endpoint por meio da API de Inferência, integrando o Amazon Bedrock com o Elasticsearch.
2. Crie um pipeline usando o Processador de Inferência, que fará chamadas para o endpoint da API de Inferência.
3. Indexe as avaliações de produtos e gere automaticamente uma análise dessas avaliações usando o pipeline.
4. Analise os resultados da integração.

Criando um endpoint na API de inferência

Primeiro, configuramos a API de Inferência para integrar o Amazon Bedrock com o Elasticsearch. Definimos o Amazon Nova Lite, id amazon.nova-lite-v1:0, como o modelo a ser utilizado, pois oferece um equilíbrio entre velocidade, precisão e custo.

Observação: você precisará de credenciais válidas para usar o Amazon Bedrock. Você pode consultar a documentação para obter as chaves de acesso aqui:

Criando o pipeline de análise de revisão

Agora, criamos um pipeline de processamento que usará o Processador de Inferência para executar uma solicitação de análise de revisão. Este comando enviará os dados da avaliação para o Amazon Nova Lite, que executará as seguintes ações:

• Classificação do sentimento (positivo, negativo ou neutro).
• Resumo da revisão.
• Geração de palavras-chave.
• Medição de autenticidade (autêntico | suspeito | genérico).

Avaliações de indexação

Agora, indexamos avaliações de produtos usando a API em lote. O pipeline criado anteriormente será aplicado automaticamente, adicionando a análise gerada pelo modelo Nova aos documentos indexados.

Consultar e analisar os resultados

Por fim, executamos uma consulta para ver como o modelo Amazon Nova Lite analisa e classifica as avaliações. Ao executar o comando GET products/_search, obtemos os documentos já enriquecidos com os campos gerados a partir do conteúdo da avaliação.

O modelo identifica o sentimento predominante (positivo, neutro ou negativo), gera resumos concisos, extrai palavras-chave relevantes e estima a autenticidade de cada avaliação. Esses campos ajudam a entender a opinião do cliente sem precisar ler o texto completo.

Para interpretar os resultados, analisamos:

• O sentimento indica a percepção geral do consumidor em relação ao produto.
• O resumo destaca os principais pontos mencionados.
• Palavras-chave, que podem ser usadas para agrupar avaliações semelhantes ou identificar padrões de feedback.
• Autenticidade, que indica se a avaliação parece confiável. Isso é útil para curadoria ou moderação.

Considerações finais

A integração entre o Amazon Nova Lite e o Elasticsearch demonstrou como os modelos de linguagem podem transformar avaliações brutas em informações estruturadas e valiosas. Ao processar as avaliações por meio de um pipeline, conseguimos extrair automaticamente e de forma consistente informações sobre sentimento, autenticidade, resumos e palavras-chave.

Os resultados mostram que o modelo consegue compreender o contexto das avaliações, classificar as opiniões dos usuários e destacar os pontos mais relevantes de cada experiência. Isso cria um conjunto de dados muito mais rico que pode ser aproveitado para melhorar as capacidades de pesquisa.