Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Opciones de generación aumentada de recuperación totalmente gestionadas en AWS
Para gestionar los flujos de trabajo de Retrieval Augmented Generation (RAG) AWS, puede utilizar canalizaciones de RAG personalizadas o utilizar algunas de las funciones de servicios totalmente gestionados que ofrece. AWS Como incluyen muchos de los componentes principales de un sistema basado en RAG, los servicios totalmente gestionados pueden ayudarle a gestionar parte del trabajo pesado indiferenciado. Sin embargo, estos servicios ofrecen menos oportunidades de personalización.
Los totalmente gestionados Servicios de AWS utilizan conectores para ingerir datos de fuentes de datos externas, como sitios web, Atlassian Confluence o Microsoft. SharePoint Las fuentes de datos compatibles varían según. Servicio de AWS
En esta sección, se analizan las siguientes opciones totalmente gestionadas para crear flujos de trabajo de RAG: AWS
+ [Bases de conocimiento de Amazon Bedrock](rag-fully-managed-bedrock.md)
+ [Amazon Q Business](rag-fully-managed-q-business.md)
+ [Amazon SageMaker AI Canvas](rag-fully-managed-sagemaker-canvas.md)
Para obtener más información sobre cómo elegir entre estas opciones, consulte [Elegir una opción de generación aumentada de recuperación en AWS](choosing-option.md) esta guía.
# Bases de conocimiento de Amazon Bedrock
[Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) es un servicio totalmente gestionado que pone a su disposición modelos básicos de alto rendimiento (FMs) de las principales empresas emergentes de IA y Amazon a través de una API unificada. [Las bases de conocimiento](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) son una funcionalidad de Amazon Bedrock que le ayuda a implementar todo el flujo de trabajo de RAG, desde la ingesta hasta la recuperación y el rápido aumento. No es necesario crear integraciones personalizadas con las fuentes de datos ni gestionar los flujos de datos. La gestión del contexto de las sesiones está integrada para que su aplicación de IA generativa pueda admitir fácilmente conversaciones en varios turnos.
Tras especificar la ubicación de los datos, las bases de conocimiento de Amazon Bedrock extraen internamente los documentos, los divide en bloques de texto, convierte el texto en incrustaciones y, a continuación, las almacena en la base de datos vectorial que elija. Amazon Bedrock administra y actualiza las incrustaciones, manteniendo la base de datos vectorial sincronizada con los datos. Para obtener más información sobre cómo funcionan las bases de conocimiento, consulte [Cómo funcionan las bases de conocimiento de Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).
Si añade bases de conocimiento a un agente de Amazon Bedrock, el agente identifica la base de conocimientos adecuada en función de las entradas del usuario. El agente recupera la información relevante y la añade a la solicitud de entrada. La solicitud actualizada proporciona al modelo más información contextual para generar una respuesta. Para mejorar la transparencia y minimizar las alucinaciones, la información recuperada de la base de conocimientos se puede rastrear hasta su origen.
![\[El agente de Amazon Bedrock recupera la información de la base de conocimientos y la pasa al LLM.\]](http://docs.aws.amazon.com/es_es/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)
Amazon Bedrock admite los dos siguientes APIs para RAG:
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)— Puede utilizar esta API para consultar su base de conocimientos y generar respuestas a partir de la información que recupera. Internamente, Amazon Bedrock convierte las consultas en incrustaciones, consulta la base de conocimientos, amplía la solicitud con los resultados de la búsqueda como información de contexto y devuelve la respuesta generada por LLM. Amazon Bedrock también gestiona la memoria a corto plazo de la conversación para ofrecer resultados más contextuales.
+ [Recuperar](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html): puede usar esta API para consultar su base de conocimientos con información obtenida directamente de la base de conocimientos. Puedes usar la información devuelta por esta API para procesar el texto recuperado, evaluar su relevancia o desarrollar un flujo de trabajo independiente para generar respuestas. Internamente, Amazon Bedrock convierte las consultas en incrustaciones, busca en la base de conocimientos y devuelve los resultados pertinentes. Puede crear flujos de trabajo adicionales sobre los resultados de búsqueda. Por ejemplo, puedes usar el [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/)`AmazonKnowledgeBasesRetriever`complemento para integrar los flujos de trabajo de RAG en aplicaciones de IA generativa.
Para ver ejemplos de patrones arquitectónicos e step-by-step instrucciones de uso APIs, consulte [Knowledge Bases que ahora ofrece una experiencia de RAG totalmente gestionada en Amazon Bedrock](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/) (entrada del AWS blog). Para obtener más información sobre cómo usar la `RetrieveAndGenerate` API para crear un flujo de trabajo RAG para una aplicación inteligente basada en chat, consulte [Creación de una aplicación de chatbot contextual con Amazon Bedrock Knowledge Bases](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/) (AWS entrada del blog).
## Orígenes de datos para bases de conocimientos
Puede conectar los datos que son de su propiedad a una base de conocimientos. Después de configurar un conector de fuente de datos, puede sincronizar o mantener los datos actualizados con su base de conocimientos y hacer que estén disponibles para su consulta. Las bases de conocimiento de Amazon Bedrock admiten conexiones a las siguientes fuentes de datos:
+ [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html): puede conectar un bucket de Amazon S3 a una base de conocimientos de Amazon Bedrock mediante la consola o la API. La base de conocimientos ingiere e indexa los archivos del bucket. Este tipo de fuente de datos admite las siguientes funciones:
+ **Campos de metadatos del documento**: puede incluir un archivo independiente para especificar los metadatos de los archivos del bucket de Amazon S3. A continuación, puede utilizar estos campos de metadatos para filtrar y mejorar la relevancia de las respuestas.
+ **Filtros de inclusión o exclusión**: puedes incluir o excluir cierto contenido al rastrear.
+ **Sincronización incremental**: se realiza un seguimiento de los cambios en el contenido y solo se rastrea el contenido que ha cambiado desde la última sincronización.
+ [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)— Puede conectar una Atlassian Confluence instancia a una base de conocimientos de Amazon Bedrock mediante la consola o la API. Este tipo de fuente de datos admite las siguientes funciones:
+ **Detección automática de los campos principales del documento**: los campos de metadatos se detectan y rastrean automáticamente. Puede utilizar estos campos para filtrar.
+ **Filtros de inclusión o exclusión de contenido**: puede incluir o excluir cierto contenido mediante un prefijo o un patrón de expresión regular en el espacio, el título de la página, el título del blog, el comentario, el nombre del archivo adjunto o la extensión.
+ **Sincronización incremental**: se realiza un seguimiento de los cambios en el contenido y solo se rastrea el contenido que ha cambiado desde la última sincronización.
+ **OAuth Autenticación 2.0, autenticación con token de Confluence API**: las credenciales de autenticación se almacenan en. 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)— Puedes conectar una SharePoint instancia a una base de conocimientos mediante la consola o la API. Este tipo de fuente de datos admite las siguientes funciones:
+ **Detección automática de los campos principales del documento**: los campos de metadatos se detectan y rastrean automáticamente. Puede utilizar estos campos para filtrar.
+ **Filtros de inclusión o exclusión de contenido**: puede incluir o excluir determinado contenido mediante un prefijo o un patrón de expresión regular en el título de la página principal, el nombre del evento y el nombre del archivo (incluida su extensión).
+ **Sincronización incremental**: se realiza un seguimiento de los cambios en el contenido y solo se rastrea el contenido que ha cambiado desde la última sincronización.
+ **OAuth Autenticación 2.0**: las credenciales de autenticación se almacenan en. 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)— Puede conectar una Salesforce instancia a una base de conocimientos mediante la consola o la API. Este tipo de fuente de datos admite las siguientes funciones:
+ **Detección automática de los campos principales del documento**: los campos de metadatos se detectan y rastrean automáticamente. Puede utilizar estos campos para filtrar.
+ **Filtros de inclusión o exclusión de contenido**: puede incluir o excluir cierto contenido mediante un prefijo o un patrón de expresión regular. Para obtener una lista de los tipos de contenido a los que puede aplicar filtros, consulte los filtros de *inclusión/exclusión en la documentación* de [Amazon](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector) Bedrock.
+ **Sincronización incremental**: se realiza un seguimiento de los cambios en el contenido y solo se rastrea el contenido que ha cambiado desde la última sincronización.
+ **OAuth Autenticación 2.0**: las credenciales de autenticación se almacenan en. AWS Secrets Manager
+ [Rastreador web: un rastreador](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html) web de Amazon Bedrock se conecta y rastrea lo que usted proporciona. URLs Se admiten las siguientes características:
+ Seleccione varios para rastrearlos URLs
+ Respeta las directivas estándar de robots.txt, como y `Allow` `Disallow`
+ Excluya URLs los que coincidan con un patrón
+ Limite la velocidad de rastreo
+ En Amazon CloudWatch, consulta el estado de cada URL rastreada
Para obtener más información sobre las fuentes de datos que puede conectar a su base de conocimiento de Amazon Bedrock, consulte [Crear un conector de fuente de datos para su base de conocimientos](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
## Bases de datos vectoriales para bases de conocimiento
Al configurar una conexión entre la base de conocimientos y la fuente de datos, debe configurar una base de datos vectorial, también conocida como *almacén vectorial*. Una base de datos vectorial es el lugar donde Amazon Bedrock almacena, actualiza y administra las incrustaciones que representan sus datos. Cada fuente de datos admite distintos tipos de bases de datos vectoriales. Para determinar qué bases de datos vectoriales están disponibles para su fuente de datos, consulte los [tipos de fuentes de datos](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
Si prefiere que Amazon Bedrock cree automáticamente una base de datos vectorial en Amazon OpenSearch Serverless, puede elegir esta opción al crear la base de conocimientos. Sin embargo, también puede optar por configurar su propia base de datos vectorial. Si configura su propia base de datos vectoriales, consulte [Requisitos previos para su propio almacén de vectores para obtener una base de conocimientos](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html). Cada tipo de base de datos vectorial tiene sus propios requisitos previos.
Según el tipo de fuente de datos, las bases de conocimiento de Amazon Bedrock admiten las siguientes bases de datos vectoriales:
+ [Amazon OpenSearch Serverless](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) (documentación de Pinecone)
+ [https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/) (documentación de Redis)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock) (documentación de MongoDB)
# Amazon Q Business
[Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) es un asistente totalmente gestionado y basado en IA generativa que puede configurar para responder preguntas, proporcionar resúmenes, generar contenido y completar tareas en función de los datos de su empresa. Permite a los usuarios finales recibir respuestas inmediatas y basadas en los permisos de fuentes de datos empresariales con citas.
## Características principales de
Las siguientes funciones de Amazon Q Business pueden ayudarle a crear una aplicación de IA generativa basada en RAG apta para producción:
+ **Conectores integrados**: Amazon Q Business admite más de 40 tipos de conectores, como conectores para Adobe Experience Manager (AEM) SalesforceJira, yMicrosoft SharePoint. Para obtener una lista completa, consulte [Conectores compatibles](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). Si necesitas un conector que no sea compatible, puedes usar [Amazon AppFlow](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html) para extraer datos de tu fuente de datos y llevarlos a Amazon Simple Storage Service (Amazon S3) y, a continuación, conectar Amazon Q Business al bucket de Amazon S3. Para ver una lista completa de las fuentes de datos AppFlow compatibles con Amazon, consulta [Aplicaciones compatibles](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **Canalizaciones de indexación integradas**: Amazon Q Business proporciona una canalización integrada para indexar datos en una base de datos vectorial. Puede utilizar una AWS Lambda función para añadir una lógica de preprocesamiento a su proceso de indexación.
+ **Opciones de índice**: puede crear y aprovisionar un índice nativo en Amazon Q Business y utilizar un recuperador de Amazon Q Business para extraer datos de ese índice. Como alternativa, puede utilizar un índice de Amazon Kendra preconfigurado como recuperador. Para obtener más información, consulte [Creación de un recuperador para una aplicación de Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html).
+ **Modelos básicos**: Amazon Q Business utiliza los modelos básicos compatibles con Amazon Bedrock. Para obtener una lista completa, consulte los [modelos de cimentación compatibles en Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **Plugins**: Amazon Q Business ofrece la posibilidad de utilizar complementos para integrarse con los sistemas de destino, como una forma automática de resumir la información de los tickets y la creación de tickets en Jira ellos. Una vez configurados, los complementos pueden facilitar acciones de lectura y escritura que pueden ayudarlo a aumentar la productividad de los usuarios finales. Amazon Q Business admite dos tipos de complementos: [complementos integrados](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html) y [complementos personalizados](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html).
+ **Barandillas**: Amazon Q Business admite controles globales y controles a nivel temático. Por ejemplo, estos controles pueden detectar información de identificación personal (PII), usos indebidos o información confidencial en las solicitudes. Para obtener más información, consulte [Controles de administración y barandas de protección en Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **Gestión de identidades**: con Amazon Q Business, puede gestionar los usuarios y su acceso a la aplicación de IA generativa basada en RAG. Para obtener más información, consulte [Administración de identidad y acceso para Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html). Además, los conectores de Amazon Q Business indexan la información de la lista de control de acceso (ACL) que se adjunta a un documento junto con el propio documento. A continuación, Amazon Q Business almacena la información de ACL que indexa en la tienda de usuarios de Amazon Q Business para crear asignaciones de usuarios y grupos y filtrar las respuestas de chat en función del acceso del usuario final a los documentos. Para obtener más información, consulte Conceptos de conectores de [fuentes de datos](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html).
+ **Enriquecimiento de** documentos: la función de enriquecimiento de documentos le ayuda a controlar **qué** documentos y atributos de los documentos se incorporan al índice y también **cómo** se ingieren. Esto se puede lograr mediante dos enfoques:
+ **Configure las operaciones básicas**: utilice las operaciones básicas para añadir, actualizar o eliminar los atributos del documento de los datos. Por ejemplo, puede eliminar los datos de PII si elige eliminar cualquier atributo del documento relacionado con la PII.
+ **Configuración de funciones Lambda**: utilice una función Lambda preconfigurada para aplicar a sus datos una lógica de manipulación de atributos de documentos más avanzada y personalizada. Por ejemplo, los datos de su empresa pueden almacenarse como imágenes escaneadas. En ese caso, puede utilizar una función Lambda para ejecutar el reconocimiento óptico de caracteres (OCR) en los documentos escaneados para extraer texto de ellos. A continuación, cada documento escaneado se trata como un documento de texto durante la ingestión. Por último, durante el chat, Amazon Q tendrá en cuenta los datos textuales extraídos de los documentos escaneados cuando genere las respuestas.
Al implementar la solución, puede optar por combinar ambos enfoques de enriquecimiento de documentos. Puede utilizar operaciones básicas para analizar primero los datos y, a continuación, utilizar una función Lambda para operaciones más complejas. Para obtener más información, consulte [Enriquecimiento de documentos en Amazon Q Business.](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html)
+ **Integración**: después de crear la aplicación Amazon Q Business, puede integrarla en otras aplicaciones, como Slack oMicrosoft Teams. Por ejemplo, consulte [Implementar una Slack puerta de enlace para Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) e [Implementar una Microsoft Teams puerta de enlace para Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/) (publicaciones de AWS blog).
## Personalización para el usuario final
Amazon Q Business admite la carga de documentos que podrían no estar almacenados en las fuentes de datos y el índice de su organización. Los documentos cargados no se almacenan. Solo están disponibles para su uso en la conversación en la que se cargan los documentos. Amazon Q Business admite la carga de tipos de documentos específicos. Para obtener más información, consulta [Cómo subir archivos y chatear en Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html).
Amazon Q Business incluye una función [de filtrado por atributo de documento](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html). Tanto los administradores como los usuarios finales pueden utilizar esta función. Los administradores pueden personalizar y controlar las respuestas de chat para los usuarios finales mediante el uso de atributos. Por ejemplo, si el tipo de origen de datos es un atributo asociado a sus documentos, puede especificar que las respuestas de chat se generen únicamente a partir de un origen de datos específico. O bien, puede permitir que los usuarios finales restrinjan el alcance de las respuestas del chat mediante los filtros de atributos que haya seleccionado.
Los usuarios finales pueden crear [Amazon Q Apps ligeras y diseñadas específicamente dentro de su entorno más amplio de aplicaciones](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html) de Amazon Q Business. Las aplicaciones Amazon Q permiten la automatización de tareas para un dominio específico, como una aplicación diseñada específicamente para el equipo de marketing.
# Amazon SageMaker AI Canvas
[Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) le ayuda a utilizar el aprendizaje automático para generar predicciones sin necesidad de escribir ningún código. Proporciona una interfaz visual sin código que le permite preparar datos, crear e implementar modelos de aprendizaje automático, lo que agiliza el ciclo de vida del end-to-end aprendizaje automático en un entorno unificado. Las complejidades de la preparación de los datos, el desarrollo de modelos, la detección de sesgos, la explicabilidad y la supervisión se resumen en una interfaz intuitiva. Los usuarios no necesitan ser expertos en SageMaker inteligencia artificial o en operaciones de aprendizaje automático (MLOps) para desarrollar, operacionalizar y monitorear modelos con AI Canvas. SageMaker
Con SageMaker AI Canvas, la funcionalidad RAG se proporciona a través de una función de consulta de documentos sin código. Puedes enriquecer la experiencia de chat en SageMaker AI Canvas utilizando un índice de Amazon Kendra como búsqueda empresarial subyacente. Para obtener más información, consulte [Extraer información de documentos mediante consultas de documentos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html).
La conexión de SageMaker AI Canvas al índice de Amazon Kendra requiere una configuración única. Como parte de la configuración del dominio, un administrador de la nube puede elegir uno o más índices de Kendra que el usuario puede consultar al interactuar con Canvas. SageMaker Para obtener instrucciones sobre cómo habilitar la función de consulta de documentos, consulte Cómo [empezar a usar Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html).
SageMaker AI Canvas gestiona la comunicación subyacente entre Amazon Kendra y el modelo base seleccionado. Para obtener más información sobre los modelos básicos compatibles con SageMaker AI Canvas, consulte los [modelos básicos de IA generativa en SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) Canvas. El siguiente diagrama muestra cómo funciona la función de consulta de documentos después de que el administrador de la nube haya conectado SageMaker AI Canvas a un índice de Amazon Kendra.
![\[Flujo de trabajo para la función de consulta de documentos en Amazon SageMaker AI Canvas.\]](http://docs.aws.amazon.com/es_es/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)
En el diagrama, se muestra el siguiente flujo de trabajo:
1. El usuario inicia un nuevo chat en SageMaker AI Canvas, activa la **consulta de documentos**, selecciona el índice objetivo y, a continuación, envía una pregunta.
1. SageMaker AI Canvas utiliza la consulta para buscar datos relevantes en el índice de Amazon Kendra.
1. SageMaker AI Canvas recupera los datos y sus fuentes del índice Amazon Kendra.
1. SageMaker AI Canvas actualiza la solicitud para incluir el contexto recuperado del índice Amazon Kendra y envía la solicitud al modelo base.
1. El modelo básico utiliza la pregunta original y el contexto recuperado para generar una respuesta.
1. SageMaker AI Canvas proporciona la respuesta generada al usuario. Incluye referencias a las fuentes de datos, como los documentos, que se utilizaron para generar la respuesta.