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.
# Vollständig verwaltete Optionen für Retrieval Augmented Generation auf AWS
Um Workflows mit Retrieval Augmented Generation (RAG) zu verwalten AWS, können Sie benutzerdefinierte RAG-Pipelines verwenden oder einige der Funktionen der vollständig verwalteten Dienste nutzen, die die Lösung bietet. AWS Da sie viele der Kernkomponenten eines RAG-basierten Systems enthalten, können Fully Managed Services Ihnen helfen, einen Teil der undifferenzierten Schwerarbeit zu bewältigen. Diese Dienste bieten jedoch weniger Möglichkeiten zur Anpassung.
Die vollständig verwalteten AWS-Services Systeme verwenden Konnektoren, um Daten aus externen Datenquellen wie Websites, Atlassian Confluence oder Microsoft aufzunehmen. SharePoint Die unterstützten Datenquellen variieren je nach. AWS-Service
In diesem Abschnitt werden die folgenden vollständig verwalteten Optionen für die Erstellung von RAG-Workflows untersucht AWS:
+ [Wissensdatenbanken für Amazon Bedrock](rag-fully-managed-bedrock.md)
+ [Amazon Q Business](rag-fully-managed-q-business.md)
+ [Amazon SageMaker AI-Leinwand](rag-fully-managed-sagemaker-canvas.md)
Weitere Informationen darüber, wie Sie zwischen diesen Optionen wählen können, finden Sie [Wählen Sie eine Option zum Abrufen erweiterter Generierung auf AWS](choosing-option.md) in diesem Handbuch.
# Wissensdatenbanken für Amazon Bedrock
[Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) ist ein vollständig verwalteter Service, der Ihnen leistungsstarke Basismodelle (FMs) von führenden KI-Startups und Amazon über eine einheitliche API zur Verfügung stellt. [Knowledge Bases](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) ist eine Funktion von Amazon Bedrock, mit der Sie den gesamten RAG-Workflow implementieren können, von der Aufnahme über den Abruf bis hin zur sofortigen Erweiterung. Es ist nicht erforderlich, benutzerdefinierte Integrationen für Datenquellen zu erstellen oder Datenflüsse zu verwalten. Das Sitzungskontextmanagement ist integriert, sodass Ihre generative KI-Anwendung problemlos Multi-Turn-Konversationen unterstützen kann.
Nachdem Sie den Speicherort Ihrer Daten angegeben haben, ruft Knowledge Bases für Amazon Bedrock die Dokumente intern ab, teilt sie in Textblöcke auf, konvertiert den Text in Einbettungen und speichert die Einbettungen dann in der Vektordatenbank Ihrer Wahl. Amazon Bedrock verwaltet und aktualisiert die Einbettungen und sorgt dafür, dass die Vektordatenbank mit den Daten synchron bleibt. Weitere Informationen zur Funktionsweise von Wissensdatenbanken finden Sie unter [So funktionieren Amazon Bedrock-Wissensdatenbanken](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).
Wenn Sie einem Amazon Bedrock-Agenten Wissensdatenbanken hinzufügen, identifiziert der Agent die entsprechende Wissensdatenbank auf der Grundlage der Benutzereingabe. Der Agent ruft die relevanten Informationen ab und fügt sie der Eingabeaufforderung hinzu. Die aktualisierte Aufforderung stellt dem Modell mehr Kontextinformationen zur Verfügung, um eine Antwort zu generieren. Um die Transparenz zu erhöhen und Halluzinationen zu minimieren, können die aus der Wissensdatenbank abgerufenen Informationen bis zu ihrer Quelle zurückverfolgt werden.
![\[Der Amazon Bedrock-Agent ruft Informationen aus der Wissensdatenbank ab und leitet sie an das LLM weiter.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)
Amazon Bedrock unterstützt die folgenden beiden APIs für RAG:
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)— Sie können diese API verwenden, um Ihre Wissensdatenbank abzufragen und anhand der abgerufenen Informationen Antworten zu generieren. Intern konvertiert Amazon Bedrock die Abfragen in Einbettungen, fragt die Wissensdatenbank ab, ergänzt die Eingabeaufforderung mit den Suchergebnissen als Kontextinformationen und gibt die vom LLM generierte Antwort zurück. Amazon Bedrock verwaltet auch das Kurzzeitgedächtnis der Konversation, um kontextbezogenere Ergebnisse zu erzielen.
+ [Abrufen](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) — Sie können diese API verwenden, um Ihre Wissensdatenbank mit Informationen abzufragen, die direkt aus der Wissensdatenbank abgerufen wurden. Sie können die von dieser API zurückgegebenen Informationen verwenden, um den abgerufenen Text zu verarbeiten, seine Relevanz zu bewerten oder einen separaten Workflow für die Antwortgenerierung zu entwickeln. Intern wandelt Amazon Bedrock die Abfragen in Einbettungen um, durchsucht die Wissensdatenbank und gibt die entsprechenden Ergebnisse zurück. Sie können zusätzliche Workflows zusätzlich zu den Suchergebnissen erstellen. Sie können das [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/)`AmazonKnowledgeBasesRetriever`Plugin beispielsweise verwenden, um RAG-Workflows in generative KI-Anwendungen zu integrieren.
Architekturmuster und step-by-step Anleitungen zur Verwendung von finden Sie unter [Knowledge Bases now provides fully managed RAG experience in Amazon Bedrock](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/) (AWS Blogbeitrag). APIs Weitere Informationen zur Verwendung der `RetrieveAndGenerate` API zum Erstellen eines RAG-Workflows für eine intelligente Chat-basierte Anwendung finden Sie unter [Erstellen einer kontextbezogenen Chatbot-Anwendung mithilfe von Amazon Bedrock Knowledge](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/) Bases (Blogbeitrag).AWS
## Datenquellen für Wissensdatenbanken
Sie können Ihre eigenen Daten mit einer Wissensdatenbank verbinden. Nachdem Sie einen Datenquellen-Connector konfiguriert haben, können Sie Ihre Daten mit Ihrer Wissensdatenbank synchronisieren oder auf dem neuesten Stand halten und Ihre Daten für Abfragen zur Verfügung stellen. Amazon Bedrock Knowledge Bases unterstützen Verbindungen zu den folgenden Datenquellen:
+ [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html) — Sie können einen Amazon S3 S3-Bucket mit einer Amazon Bedrock-Wissensdatenbank verbinden, indem Sie entweder die Konsole oder die API verwenden. Die Wissensdatenbank nimmt die Dateien im Bucket auf und indexiert sie. Diese Art von Datenquelle unterstützt die folgenden Funktionen:
+ **Metadatenfelder für Dokumente** — Sie können eine separate Datei hinzufügen, um die Metadaten für die Dateien im Amazon S3 S3-Bucket anzugeben. Sie können diese Metadatenfelder dann verwenden, um die Relevanz von Antworten zu filtern und zu verbessern.
+ **Inklusions- oder Ausschlussfilter** — Sie können beim Crawlen bestimmte Inhalte ein- oder ausschließen.
+ **Inkrementelle Synchronisierung** — Die Inhaltsänderungen werden nachverfolgt, und es werden nur Inhalte gecrawlt, die sich seit der letzten Synchronisierung geändert haben.
+ [https://docs.aws.amazon.com/bedrock/latest/userguide/confluence-data-source-connector.html](https://docs.aws.amazon.com/bedrock/latest/userguide/confluence-data-source-connector.html)— Sie können eine Atlassian Confluence Instance mithilfe der Konsole oder der API mit einer Amazon Bedrock-Wissensdatenbank verbinden. Diese Art von Datenquelle unterstützt die folgenden Funktionen:
+ **Automatische Erkennung der wichtigsten Dokumentfelder** — Die Metadatenfelder werden automatisch erkannt und gecrawlt. Sie können diese Felder zum Filtern verwenden.
+ **Inhaltsfilter zum Ein- oder Ausschließen** — Sie können bestimmte Inhalte ein- oder ausschließen, indem Sie ein Präfix oder ein Muster mit regulären Ausdrücken für den Bereich, den Seitentitel, den Blogtitel, den Kommentar, den Namen des Anhangs oder die Erweiterung verwenden.
+ **Inkrementelle Synchronisierung** — Die Inhaltsänderungen werden nachverfolgt, und es werden nur Inhalte gecrawlt, die sich seit der letzten Synchronisierung geändert haben.
+ **OAuth 2.0-Authentifizierung, Authentifizierung mit Confluence API-Token** — Die Authentifizierungsdaten werden in gespeichert. AWS Secrets Manager
+ [https://docs.aws.amazon.com/bedrock/latest/userguide/sharepoint-data-source-connector.html](https://docs.aws.amazon.com/bedrock/latest/userguide/sharepoint-data-source-connector.html)— Sie können eine SharePoint Instanz mit einer Wissensdatenbank verbinden, indem Sie entweder die Konsole oder die API verwenden. Diese Art von Datenquelle unterstützt die folgenden Funktionen:
+ **Automatische Erkennung der wichtigsten Dokumentfelder** — Die Metadatenfelder werden automatisch erkannt und gecrawlt. Sie können diese Felder zum Filtern verwenden.
+ **Inhaltsfilter zum Ein- oder Ausschließen** — Sie können bestimmte Inhalte ein- oder ausschließen, indem Sie ein Präfix oder ein Muster mit regulären Ausdrücken für den Titel der Hauptseite, den Veranstaltungsnamen und den Dateinamen (einschließlich der Erweiterung) verwenden.
+ **Inkrementelle Synchronisierung** — Die Inhaltsänderungen werden nachverfolgt, und es werden nur Inhalte gecrawlt, die sich seit der letzten Synchronisierung geändert haben.
+ **OAuth 2.0-Authentifizierung** — Die Authentifizierungsdaten werden in gespeichert. AWS Secrets Manager
+ [https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html)— Sie können eine Salesforce Instanz mit einer Wissensdatenbank verbinden, indem Sie entweder die Konsole oder die API verwenden. Diese Art von Datenquelle unterstützt die folgenden Funktionen:
+ **Automatische Erkennung der wichtigsten Dokumentfelder** — Die Metadatenfelder werden automatisch erkannt und gecrawlt. Sie können diese Felder zum Filtern verwenden.
+ **Inhaltsfilter zum Einschließen oder Ausschließen** — Sie können bestimmte Inhalte mit einem Präfix oder einem Muster für reguläre Ausdrücke ein- oder ausschließen. Eine Liste der Inhaltstypen, auf die Sie Filter anwenden können, finden Sie unter *Einschluss-/Ausschlussfilter* in der [Amazon](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector) Bedrock-Dokumentation.
+ **Inkrementelle Synchronisierung** — Die Inhaltsänderungen werden nachverfolgt, und es werden nur Inhalte gecrawlt, die sich seit der letzten Synchronisierung geändert haben.
+ **OAuth 2.0-Authentifizierung** — Die Authentifizierungsdaten werden in gespeichert. AWS Secrets Manager
+ [Webcrawler](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html) — Ein Amazon Bedrock Web Crawler stellt eine Verbindung zu den von Ihnen bereitgestellten Daten her und crawlt diese. URLs Die folgenden Funktionen werden unterstützt:
+ Wählen Sie mehrere URLs zum Crawlen aus
+ Beachten Sie die Standardanweisungen von robots.txt wie und `Allow` `Disallow`
+ Schließt aus URLs , die einem Muster entsprechen
+ Beschränken Sie die Crawling-Rate
+ Sehen Sie CloudWatch sich in Amazon den Status jeder gecrawlten URL an
Weitere Informationen zu den Datenquellen, die Sie mit Ihrer Amazon Bedrock-Wissensdatenbank verbinden können, finden Sie unter [Erstellen eines Datenquellen-Connectors für Ihre Wissensdatenbank](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
## Vektor-Datenbanken für Wissensdatenbanken
Wenn Sie eine Verbindung zwischen der Wissensdatenbank und der Datenquelle einrichten, müssen Sie eine Vektordatenbank konfigurieren, die auch als *Vektorspeicher* bezeichnet wird. In einer Vektordatenbank speichert, aktualisiert und verwaltet Amazon Bedrock die Einbettungen, die Ihre Daten repräsentieren. Jede Datenquelle unterstützt verschiedene Arten von Vektordatenbanken. Informationen darüber, welche Vektordatenbanken für Ihre Datenquelle verfügbar sind, finden Sie unter [Datenquellentypen](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
Wenn Sie es vorziehen, dass Amazon Bedrock automatisch eine Vektordatenbank in Amazon OpenSearch Serverless für Sie erstellt, können Sie diese Option bei der Erstellung der Wissensdatenbank wählen. Sie können sich jedoch auch dafür entscheiden, Ihre eigene Vektordatenbank einzurichten. Wenn Sie Ihre eigene Vektordatenbank einrichten, finden Sie [eine Wissensdatenbank unter Voraussetzungen für Ihren eigenen Vektorspeicher](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html). Jeder Vektordatenbanktyp hat seine eigenen Voraussetzungen.
Abhängig von Ihrem Datenquellentyp unterstützen die Amazon Bedrock-Wissensdatenbanken die folgenden Vektordatenbanken:
+ [Amazon OpenSearch Serverlos](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vector-search.html)
+ [Amazon Aurora PostgreSQL-Compatible Edition](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [https://docs.pinecone.io/docs/amazon-bedrock](https://docs.pinecone.io/docs/amazon-bedrock)(PineconeDokumentation)
+ [https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/)(RedisDokumentation)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock)(MongoDBDokumentation)
# Amazon Q Business
[Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) ist ein vollständig verwalteter, auf generativer KI basierender Assistent, den Sie so konfigurieren können, dass er Fragen beantwortet, Zusammenfassungen bereitstellt, Inhalte generiert und Aufgaben auf der Grundlage Ihrer Unternehmensdaten erledigt. Es ermöglicht Endbenutzern, sofortige, berechtigungsabhängige Antworten aus Unternehmensdatenquellen mit Quellenangaben zu erhalten.
## Schlüssel-Features
Die folgenden Funktionen von Amazon Q Business können Ihnen helfen, eine produktionstaugliche RAG-basierte generative KI-Anwendung zu entwickeln:
+ **Integrierte Konnektoren** — Amazon Q Business unterstützt mehr als 40 Arten von Konnektoren, z. B. Konnektoren für Adobe Experience Manager (AEM)Salesforce,Jira, undMicrosoft SharePoint. Eine vollständige Liste finden Sie unter [Unterstützte Konnektoren](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). Wenn Sie einen Connector benötigen, der nicht unterstützt wird, können Sie [Amazon](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html) verwenden, AppFlow um Daten aus Ihrer Datenquelle in Amazon Simple Storage Service (Amazon S3) abzurufen und dann Amazon Q Business mit dem Amazon S3-Bucket zu verbinden. Eine vollständige Liste der Datenquellen, die Amazon AppFlow unterstützt, finden Sie unter [Unterstützte Anwendungen](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **Integrierte Indexierungs-Pipelines** — Amazon Q Business bietet eine integrierte Pipeline für die Indizierung von Daten in einer Vektordatenbank. Sie können eine AWS Lambda Funktion verwenden, um Vorverarbeitungslogik für Ihre Indexierungspipeline hinzuzufügen.
+ **Indexoptionen** — Sie können einen systemeigenen Index in Amazon Q Business erstellen und bereitstellen, und Sie verwenden einen Amazon Q Business Retriever, um Daten aus diesem Index abzurufen. Alternativ können Sie einen vorkonfigurierten Amazon Kendra Kendra-Index als Retriever verwenden. Weitere Informationen finden Sie unter [Einen Retriever für eine Amazon Q Business-Anwendung](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html) erstellen.
+ **Foundation-Modelle** — Amazon Q Business verwendet die Foundation-Modelle, die in Amazon Bedrock unterstützt werden. Eine vollständige Liste finden Sie unter [Unterstützte Foundation-Modelle in Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **Plugins** — Amazon Q Business bietet die Möglichkeit, Plugins zur Integration in Zielsysteme zu verwenden, z. B. eine automatisierte Methode zur Zusammenfassung von Ticketinformationen und zur Ticketerstellung inJira. Nach der Konfiguration können Plugins Lese- und Schreibaktionen unterstützen, mit denen Sie die Produktivität der Endbenutzer steigern können. Amazon Q Business unterstützt zwei Arten von Plug-ins: [integrierte Plug-ins](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html) und [benutzerdefinierte Plug-ins](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html).
+ **Guardrails** — Amazon Q Business unterstützt globale Kontrollen und Kontrollen auf Themenebene. Diese Kontrollen können beispielsweise personenbezogene Daten (PII), Missbrauch oder vertrauliche Informationen in Eingabeaufforderungen erkennen. Weitere Informationen finden Sie unter [Administratorkontrollen und Leitplanken in Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **Identitätsmanagement** — Mit Amazon Q Business können Sie Benutzer und ihren Zugriff auf die RAG-basierte generative KI-Anwendung verwalten. Weitere Informationen finden Sie unter [Identitäts- und Zugriffsverwaltung für Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html). Außerdem indexieren Amazon Q Business Connectors Informationen zur Zugriffskontrollliste (ACL), die zusammen mit dem Dokument selbst an ein Dokument angehängt sind. Anschließend speichert Amazon Q Business die von ihm indizierten ACL-Informationen im Amazon Q Business User Store, um Benutzer- und Gruppenzuordnungen zu erstellen und Chat-Antworten basierend auf dem Zugriff des Endbenutzers auf Dokumente zu filtern. Weitere Informationen finden Sie unter Konzepte für [Datenquellenkonnektoren](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html).
+ **Anreicherung von Dokumenten** — Mit der Funktion zur Anreicherung von Dokumenten können Sie kontrollieren, **welche** Dokumente und Dokumentattribute in Ihren Index aufgenommen werden und **wie** sie aufgenommen werden. Dies kann auf zwei Arten erreicht werden:
+ **Grundoperationen konfigurieren** — Verwenden Sie grundlegende Operationen, um Dokumentattribute zu Ihren Daten hinzuzufügen, zu aktualisieren oder zu löschen. Sie können beispielsweise personenbezogene Daten löschen, indem Sie alle Dokumentattribute löschen, die sich auf personenbezogene Daten beziehen.
+ **Lambda-Funktionen konfigurieren** — Verwenden Sie eine vorkonfigurierte Lambda-Funktion, um eine individuellere, erweiterte Logik zur Manipulation von Dokumentattributen auf Ihre Daten anzuwenden. Beispielsweise können Ihre Unternehmensdaten als gescannte Bilder gespeichert werden. In diesem Fall können Sie eine Lambda-Funktion verwenden, um die optische Zeichenerkennung (OCR) für die gescannten Dokumente auszuführen, um Text aus ihnen zu extrahieren. Anschließend wird jedes gescannte Dokument bei der Aufnahme als Textdokument behandelt. Schließlich berücksichtigt Amazon Q während des Chats die aus den gescannten Dokumenten extrahierten Textdaten, wenn es Antworten generiert.
Bei der Implementierung Ihrer Lösung können Sie wählen, ob Sie beide Ansätze zur Anreicherung von Dokumenten kombinieren möchten. Sie können grundlegende Operationen verwenden, um eine erste Analyse Ihrer Daten durchzuführen, und dann eine Lambda-Funktion für komplexere Operationen verwenden. Weitere Informationen finden Sie unter [Anreicherung von Dokumenten in Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html).
+ **Integration** — Nachdem Sie Ihre Amazon Q Business-Anwendung erstellt haben, können Sie sie in andere Anwendungen wie Slack oder integrierenMicrosoft Teams. Siehe beispielsweise [Bereitstellen eines Slack Gateways für Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) und [Bereitstellen eines Microsoft Teams Gateways für Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/) (AWS Blogbeiträge).
## Anpassung durch Endbenutzer
Amazon Q Business unterstützt das Hochladen von Dokumenten, die möglicherweise nicht in den Datenquellen und im Index Ihrer Organisation gespeichert sind. Hochgeladene Dokumente werden nicht gespeichert. Sie können nur für die Konversation verwendet werden, in der die Dokumente hochgeladen werden. Amazon Q Business unterstützt bestimmte Dokumenttypen für das Hochladen. Weitere Informationen finden Sie unter [Dateien hochladen und chatten in Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html).
Amazon Q Business beinhaltet eine Funktion [zum Filtern nach Dokumentattributen](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html). Sowohl Administratoren als auch Endbenutzer können diese Funktion verwenden. Administratoren können die Chat-Antworten für Endbenutzer mithilfe von Attributen anpassen und steuern. Wenn es sich bei dem Datenquellentyp beispielsweise um ein Attribut handelt, das an Ihre Dokumente angehängt ist, können Sie angeben, dass Chat-Antworten nur aus einer bestimmten Datenquelle generiert werden. Oder Sie können Endbenutzern ermöglichen, den Umfang der Chat-Antworten einzuschränken, indem Sie die von Ihnen ausgewählten Attributfilter verwenden.
Endbenutzer können schlanke, speziell entwickelte [Amazon Q Apps](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html) in Ihrer breiteren Amazon Q Business-Anwendungsumgebung erstellen. Amazon Q-Apps ermöglichen die Automatisierung von Aufgaben für eine bestimmte Domain, z. B. eine speziell für das Marketingteam entwickelte App.
# Amazon SageMaker AI-Leinwand
[Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) hilft Ihnen, mithilfe von maschinellem Lernen Vorhersagen zu generieren, ohne Code schreiben zu müssen. Es bietet eine visuelle Oberfläche ohne Code, mit der Sie Daten vorbereiten, ML-Modelle erstellen und bereitstellen und so den end-to-end ML-Lebenszyklus in einer einheitlichen Umgebung optimieren können. Die Komplexität der Datenaufbereitung, Modellentwicklung, Erkennung von Verzerrungen, Erklärbarkeit und Überwachung wird hinter einer intuitiven Oberfläche zusammengefasst. Benutzer müssen keine Experten für SageMaker KI oder maschinelles Lernen (MLOps) sein, um Modelle mit AI Canvas zu entwickeln, zu operationalisieren und zu überwachen. SageMaker
Bei SageMaker AI Canvas wird die RAG-Funktionalität über eine Funktion zur Dokumentenabfrage ohne Code bereitgestellt. Sie können das Chat-Erlebnis in SageMaker AI Canvas bereichern, indem Sie einen Amazon Kendra Kendra-Index als zugrunde liegende Unternehmenssuche verwenden. Weitere Informationen finden Sie unter [Extrahieren von Informationen aus Dokumenten mit Dokumentenabfrage.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html)
Die Verbindung von SageMaker AI Canvas mit dem Amazon Kendra Kendra-Index erfordert eine einmalige Einrichtung. Im Rahmen der Domain-Konfiguration kann ein Cloud-Administrator einen oder mehrere Kendra-Indizes auswählen, die der Benutzer bei der Interaktion mit SageMaker Canvas abfragen kann. Anweisungen zur Aktivierung der Dokumentabfragefunktion finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html).
SageMaker AI Canvas verwaltet die zugrunde liegende Kommunikation zwischen Amazon Kendra und dem ausgewählten Foundation-Modell. Weitere Informationen zu den Basismodellen, die SageMaker AI Canvas unterstützt, finden Sie unter [Generative KI-Grundmodelle in SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html). Das folgende Diagramm zeigt, wie die Funktion zur Dokumentenabfrage funktioniert, nachdem der Cloud-Administrator SageMaker AI Canvas mit einem Amazon Kendra Kendra-Index verbunden hat.
![\[Arbeitsablauf für die Funktion zur Dokumentenabfrage in Amazon SageMaker AI Canvas.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)
Das Diagramm zeigt den folgenden Workflow:
1. Der Benutzer startet einen neuen Chat in SageMaker AI Canvas, aktiviert **Query documents**, wählt den Zielindex aus und reicht dann eine Frage ein.
1. SageMaker AI Canvas verwendet die Abfrage, um den Amazon Kendra Kendra-Index nach relevanten Daten zu durchsuchen.
1. SageMaker AI Canvas ruft die Daten und ihre Quellen aus dem Amazon Kendra Kendra-Index ab.
1. SageMaker AI Canvas aktualisiert die Aufforderung, um den abgerufenen Kontext aus dem Amazon Kendra Kendra-Index aufzunehmen, und leitet die Aufforderung an das Foundation-Modell weiter.
1. Das Foundation-Modell verwendet die ursprüngliche Frage und den abgerufenen Kontext, um eine Antwort zu generieren.
1. SageMaker AI Canvas stellt dem Benutzer die generierte Antwort zur Verfügung. Es enthält Verweise auf die Datenquellen, z. B. Dokumente, die zur Generierung der Antwort verwendet wurden.