AWS Bedrock Embeddings

AWS Bedrock Embeddings 노드는 Amazon Titan 또는 Cohere 모델을 활용해 입력 텍스트를 벡터로 변환하는 노드입니다. 변환된 임베딩은 벡터 검색, 분류, 클러스터링 등 다양한 용도로 활용될 수 있으며, AWS Bedrock API를 통해 직접 임베딩을 생성합니다.

---

주요 기능

• AWS Bedrock 기반 임베딩 생성 (Titan 및 Cohere 모델 지원)

• search, classification, clustering 등 다양한 용도에 따른 입력 타입 지정 가능

• 벡터 차원 수는 선택한 모델에 따라 자동 설정됨

• Batch 처리 및 AWS 재시도 횟수 설정으로 안정성 확보

• 벡터 스토어 구축, 검색 파이프라인, 분석용 벡터 추출 등에 활용

WindyFlo AWS Bedrock Embeddings

WindyFlo AWS Bedrock Embeddings Parameters

입력값 (Inputs)

항목	설명	필수 여부
AWS Credential	AWS Bedrock API 접근을 위한 인증 정보 (Credential에 등록)	필수
Region	사용할 AWS 리전 (예: us-east-1)	필수
Model Name	사용할 임베딩 모델 이름 (예: amazon.titan-embed-text-v1 등)	필수
Custom Model Name	사용자 지정 모델 이름 (선택 시 해당 모델로 요청)	선택
Cohere Input Type	Cohere 모델의 사용 목적에 따른 입력 타입 설정 (예: search_document, classification 등)	선택

---

파라미터 (Parameters)

항목	설명
Batch Size	한 번에 처리할 임베딩 텍스트 수 (기본값: 50)
Max AWS API retries	실패 시 최대 재시도 횟수 (기본값: 5)

---

출력값 (Outputs)

출력 항목	설명
AWSBedrockEmbeddings	입력 텍스트에 대한 임베딩 벡터 결과 배열

---

활용 예시

• Amazon Titan 모델을 사용해 대용량 문서를 벡터화하여 Faiss, Pinecone 등에 저장

• 사용자 질문을 search_query 타입으로 임베딩하여 관련 문서를 검색하는 Retrieval 시스템 구축

• 특정 카테고리 분류를 위해 classification용 임베딩 추출 후 ML 모델에 입력

• clustering 목적의 데이터 분석을 위해 고차원 벡터 생성 후 클러스터링 적용

---

사용 팁

• Amazon Titan 모델은 v1이 1536차원, v2는 1024차원으로 제공되므로 용도에 따라 선택하세요.

• Cohere 모델을 사용할 경우, Cohere Input Type을 반드시 목적에 맞게 설정해야 합니다.

  • search_document: 벡터 DB에 저장할 문서 텍스트용

  • search_query: 검색용 사용자 질의 텍스트용

  • classification: 분류 모델 입력용

  • clustering: 군집 분석용 → search_document와 search_query는 RAG 파이프라인에서 반드시 짝으로 사용해야 검색 품질이 유지됩니다.

• Batch Size는 너무 크게 설정하면 속도는 빨라지지만, 오류가 발생할 가능성도 증가합니다.

• Titan 모델은 다국어 지원이 제한적이며, 영어 문서에 최적화되어 있습니다.

---

주의사항

• AWS Bedrock API 사용량에 따라 비용이 발생하므로 주의가 필요합니다.

• Region 설정이 올바르지 않거나 Credential이 등록되지 않은 경우 호출이 실패합니다.

• Titan과 Cohere 모델은 임베딩 차원 수가 상이하므로 혼용 시 주의가 필요합니다.

• Cohere Input Type은 Cohere 모델 사용 시에만 의미 있으며 Titan에는 적용되지 않습니다.