# 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 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 `classification`용 임베딩 추출 후 ML 모델에 입력 * `clustering` 목적의 데이터 분석을 위해 고차원 벡터 생성 후 클러스터링 적용 *** ### 사용 팁 * Amazon Titan 모델은 `v1`이 1536차원, `v2`는 1024차원으로 제공되므로 용도에 따라 선택하세요. * **Cohere 모델을 사용할 경우**, `Cohere Input Type`을 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_document`와 `search_query`는 **RAG 파이프라인에서 반드시 짝으로 사용**해야 검색 품질이 유지됩니다. * `Batch Size`는 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.