Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Integrationsarchitekturen
MongoDB Atlas lässt sich nahtlos in die meisten integrieren AWS-Services, wie in der folgenden Abbildung dargestellt.
![\[Integration zwischen MongoDB Atlas und AWS-Services, nach Kategorie.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/integration-architecture.png)
In den folgenden Abschnitten werden Referenzarchitekturen für die Integration von MongoDB Atlas AWS mit Amazon SageMaker AI AWS AppSync, Amazon EventBridge, Amazon Data Firehose und Amazon Managed Streaming for Apache Kafka (Amazon MSK) beschrieben. All diese Referenzarchitekturen basieren auf einem gesicherten Netzwerk mithilfe AWS PrivateLink von, und IAM-Rollen. AWS KMS Weitere Informationen finden Sie im [Abschnitt „Bewährte Methoden“ weiter unten](best-practices.md) in diesem Handbuch.
**Topics**
+ [Optimierte Datenintegration mit AWS AppSync](data-integration.md)
+ [Generative KI mit Amazon SageMaker AI JumpStart und MongoDB Atlas Vector Search](generative-ai.md)
+ [Ereignisgesteuerte Architektur mit Amazon EventBridge](event-driven.md)
+ [Datenstreaming mit Amazon Data Firehose](data-streaming.md)
+ [Verarbeitung in Echtzeit mit Amazon MSK](real-time-processing.md)
+ [Betrugserkennung mit Amazon SageMaker AI Canvas](fraud-detection.md)
# Optimierte Datenintegration mit AWS AppSync
Die Integration von MongoDB Atlas [AWS AppSync](https://aws.amazon.com/pm/appsync/)bietet eine nahtlose Datensynchronisierung, Interaktionen in Echtzeit und dynamische, reaktionsschnelle Benutzererlebnisse. Das folgende Diagramm zeigt eine Beispielimplementierung.
![\[Integration von MongoDB Atlas AWS AppSync für die Datensynchronisierung.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/data-integration.png)
Wichtigste Höhepunkte:
+ Ein einheitlicher GraphQL-Endpunkt für mehrere Datenquellen
+ Unterdiagramme werden unabhängig voneinander verwaltet
+ End-to-end Serverlose Architektur
+ Konfliktlösung mithilfe von Schemadirektiven
+ Automatische Skalierung auf der Grundlage des API-Anforderungsvolumens
Weitere Informationen finden Sie im Blogbeitrag [How to Build Advanced GraphQL-based APIs With MongoDB Atlas and Merged APIs auf der AWS AppSync MongoDB-Website](https://www.mongodb.com/blog/post/how-build-advanced-graphql-based-apis-mongodb-atlas-aws-appsync-merged-apis).
# Generative KI mit Amazon SageMaker AI JumpStart und MongoDB Atlas Vector Search
[Amazon SageMaker AIJump Start](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html) bietet vortrainierte KI-Grundmodelle wie Retrieval Augmented Generation (RAG) für intelligente Textanwendungen. Sie können es JumpStart mit [MongoDB Atlas Vector Search](https://www.mongodb.com/products/platform/atlas-vector-search) kombinieren, das semantische Ähnlichkeitsabfragen für Text, Bild und andere Daten ermöglicht, um leistungsstarke Sucherlebnisse zu erstellen. Ihre Entwickler können beispielsweise mithilfe von Atlas Vector Search eine intuitive semantische Suche in Kundengesprächen implementieren und Amazon SageMaker AI RAG-Modelle verwenden, um interaktive Zusammenfassungen und Übersetzungen hinzuzufügen, wie in der folgenden Abbildung dargestellt.
![\[Integration von MongoDB Atlas mit Amazon SageMaker AI für generative KI-Funktionen.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/gen-ai.png)
Dies ermöglicht eine Vielzahl von KI-gestützten Suchanwendungsfällen, darunter automatisierter Support, intelligentes Inhaltsmanagement, Inhaltszusammenfassung und erweiterte Empfehlungen. Durch die Implementierung einer intuitiven Präzisionssuche mit MongoDB und generativen Funktionen von Amazon SageMaker JumpStart können Entwickler schnell wirkungsvolle kognitive Suchanwendungen bereitstellen.
Die wichtigsten Höhepunkte:
+ Anwendungsfälle für Chatbots in Unternehmen
+ Support der RAG-Modellarchitektur
+ MongoDB Atlas-Vektorsuche
+ Support für 2K-Einbettung
+ Gesicherte Datenübertragung
+ Reduzierte Wahrscheinlichkeit von Halluzinationen
Weitere Informationen zu dieser Implementierung finden Sie im AWS Blogbeitrag [Retrieval-Augmented Generation with LangChain, Amazon SageMaker AI JumpStart, and MongoDB](https://aws.amazon.com/blogs/machine-learning/retrieval-augmented-generation-with-langchain-amazon-sagemaker-jumpstart-and-mongodb-atlas-semantic-search/) Atlas Semantic Search.
# Ereignisgesteuerte Architektur mit Amazon EventBridge
Sie können MongoDB Atlas mit [Amazon](https://aws.amazon.com/eventbridge/) integrieren, EventBridge um Datenflüsse zu orchestrieren, automatisierte Antworten zu ermöglichen und Erkenntnisse für Anwendungen nahezu in Echtzeit zu gewinnen. Das folgende Diagramm zeigt ein Beispiel für eine Referenzarchitektur.
![\[Integration von MongoDB Atlas mit Amazon EventBridge zur Implementierung einer ereignisgesteuerten Architektur.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/event-driven.png)
Wichtigste Höhepunkte:
+ Reibungslose Orchestrierung von Veranstaltungen
+ Reaktionsfähigkeit in Echtzeit
+ Automatisierte Workflows
+ Skalierbarkeit und Agilität
+ Einblicke für Innovation
Weitere Informationen zu dieser Implementierung finden Sie im AWS Blogbeitrag [Ingesting MongoDB Atlas-Daten mithilfe von Amazon](https://aws.amazon.com/blogs/compute/ingesting-mongodb-atlas-data-using-amazon-eventbridge/). EventBridge
# Datenstreaming mit Amazon Data Firehose
Sie können MongoDB Atlas mit [Amazon Data Firehose integrieren, um Daten effizient](https://aws.amazon.com/kinesis/data-firehose/) zu streamen, zu transformieren und zu laden. Diese Integration bietet automatisierte Datenbereitstellung in Echtzeit und Skalierbarkeit für optimierte Analysen und Erkenntnisse. Das folgende Diagramm zeigt ein Beispiel für eine Referenzarchitektur.
![\[Integration von MongoDB Atlas mit Amazon Data Firehose zur Implementierung von Datenstreaming-Funktionen.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/data-streaming.png)
Wichtigste Höhepunkte:
+ Dynamische Schemaentwicklung
+ Kontinuierliches Datenstreaming
+ Verbesserte Analytik
+ Skalierbarkeit und Agilität
+ Zuverlässige Datenlieferung
Weitere Informationen finden Sie im AWS Blogbeitrag [Integration der Anwendungsdatenplattform von MongoDB mit Amazon Data Firehose](https://aws.amazon.com/blogs/big-data/integrating-the-mongodb-cloud-with-amazon-kinesis-data-firehose/).
# Verarbeitung in Echtzeit mit Amazon MSK
Sie können MongoDB Atlas mit [Amazon Managed Streaming for Apache integrieren. Kafka (Amazon MSK) verbessert die Datenverarbeitung](https://aws.amazon.com/msk/) in Echtzeit. Sie können robuste, ereignisgesteuerte Architekturen erstellen, indem Sie die Streaming-Funktionen von Amazon MSK mit dem MongoDB-Dokumentenmodell für agile und datenreiche Anwendungen nutzen. Das folgende Diagramm zeigt ein Beispiel für eine Referenzarchitektur.
![\[Integration von MongoDB Atlas mit Amazon MSK zur Verbesserung der Datenverarbeitung in Echtzeit.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/real-time-processing.png)
Wichtigste Höhepunkte:
+ Nahtlose Integration von Veranstaltungen
+ Eventgesteuerte Agilität
+ Einblicke in Echtzeit
+ Anwendungsgesteuerte Analytik
+ Hochgradig skalierbare Datenströme
Einzelheiten und step-by-step Implementierungsanweisungen finden Sie im AWS Blogbeitrag [Aufbau einer serverlosen Streaming-Pipeline mit Amazon EMR Serverless, Amazon MSK Connect](https://aws.amazon.com/blogs/big-data/build-a-serverless-streaming-pipeline-with-amazon-msk-serverless-amazon-msk-connect-and-mongodb-atlas/) und MongoDB Atlas.
# Betrugserkennung mit Amazon SageMaker AI Canvas
Sie können MongoDB Atlas mit [Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) integrieren, um ein leistungsstarkes Betrugserkennungssystem aufzubauen, das Echtzeit-Datenanalysen mit fortschrittlichem maschinellem Lernen kombiniert, um betrügerische Aktivitäten zu erkennen und zu verhindern.
Das folgende Diagramm zeigt ein Beispiel für eine Referenzarchitektur zur Betrugserkennung.
![\[Integration von MongoDB Atlas mit Amazon SageMaker AI Canvas zur Implementierung der Betrugserkennung.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/migration-mongodb-atlas/images/fraud-detection.png)
(Das Diagramm wurde mit Genehmigung der [MongoDB-Website](https://www.mongodb.com/resources/products/unmasking-deception-harnessing-power-atlas-amazon-sage-maker-canvas-fraud-detection) angepasst.)
Weitere Informationen finden Sie im MongoDB-Blogbeitrag [Unmasking Deception: Harnessing the Power of MongoDB Atlas und](https://www.mongodb.com/resources/products/unmasking-deception-harnessing-power-atlas-amazon-sage-maker-canvas-fraud-detection) Amazon AI Canvas for Fraud Detection. SageMaker