Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Options de génération augmentée de récupération entièrement gérées sur AWS
Pour gérer les flux de travail RAG (Retrieval Augmented Generation) sur AWS, vous pouvez utiliser des pipelines RAG personnalisés ou utiliser certaines des fonctionnalités de services entièrement gérés proposées. AWS Parce qu'ils incluent de nombreux composants de base d'un système basé sur RAG, les services entièrement gérés peuvent vous aider à gérer certaines tâches lourdes indifférenciées. Cependant, ces services offrent moins de possibilités de personnalisation.
Les solutions entièrement gérées Services AWS utilisent des connecteurs pour ingérer des données provenant de sources de données externes, telles que des sites Web, Atlassian Confluence ou Microsoft. SharePoint Les sources de données prises en charge varient selon Service AWS.
Cette section explore les options entièrement gérées suivantes pour créer des flux de travail RAG sur AWS :
+ [Bases de connaissances pour 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)
Pour plus d'informations sur le choix entre ces options, consultez [Choix d'une option de génération augmentée de récupération sur AWS](choosing-option.md) ce guide.
# Bases de connaissances pour Amazon Bedrock
[Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) est un service entièrement géré qui met à votre disposition des modèles de base très performants (FMs) issus des principales startups d'IA et d'Amazon via une API unifiée. [Les bases de connaissances](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) sont une fonctionnalité d'Amazon Bedrock qui vous permet de mettre en œuvre l'intégralité du flux de travail RAG, de l'ingestion à la récupération et à l'augmentation rapide. Il n'est pas nécessaire de créer des intégrations personnalisées aux sources de données ou de gérer les flux de données. La gestion du contexte de session est intégrée afin que votre application d'IA générative puisse facilement prendre en charge des conversations à plusieurs tours.
Une fois que vous avez indiqué l'emplacement de vos données, les bases de connaissances d'Amazon Bedrock récupèrent les documents en interne, les fragmentent en blocs de texte, les convertissent en éléments incorporés, puis stockent les éléments intégrés dans la base de données vectorielle de votre choix. Amazon Bedrock gère et met à jour les intégrations, en synchronisant la base de données vectorielle avec les données. Pour plus d'informations sur le fonctionnement des bases de connaissances, consultez [Comment fonctionnent les bases de connaissances Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).
Si vous ajoutez des bases de connaissances à un agent Amazon Bedrock, celui-ci identifie la base de connaissances appropriée en fonction des informations saisies par l'utilisateur. L'agent récupère les informations pertinentes et les ajoute à l'invite de saisie. L'invite mise à jour fournit au modèle davantage d'informations contextuelles pour générer une réponse. Pour améliorer la transparence et minimiser les hallucinations, les informations extraites de la base de connaissances sont traçables jusqu'à leur source.
![\[L'agent Amazon Bedrock récupère les informations de la base de connaissances et les transmet au LLM.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)
Amazon Bedrock prend en charge les deux solutions suivantes APIs pour RAG :
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)— Vous pouvez utiliser cette API pour interroger votre base de connaissances et générer des réponses à partir des informations qu'elle récupère. En interne, Amazon Bedrock convertit les requêtes en intégrations, interroge la base de connaissances, ajoute les résultats de recherche sous forme d'informations contextuelles à l'invite et renvoie la réponse générée par le LLM. Amazon Bedrock gère également la mémoire à court terme de la conversation afin de fournir des résultats plus contextuels.
+ [Récupérer](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) : vous pouvez utiliser cette API pour interroger votre base de connaissances à l'aide d'informations extraites directement de la base de connaissances. Vous pouvez utiliser les informations renvoyées par cette API pour traiter le texte extrait, évaluer sa pertinence ou développer un flux de travail distinct pour la génération de réponses. En interne, Amazon Bedrock convertit les requêtes en intégrations, effectue des recherches dans la base de connaissances et renvoie les résultats pertinents. Vous pouvez créer des flux de travail supplémentaires en plus des résultats de recherche. Par exemple, vous pouvez utiliser le [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/)`AmazonKnowledgeBasesRetriever`plugin pour intégrer les flux de travail RAG dans des applications d'IA générative.
Pour obtenir des exemples de modèles architecturaux et des step-by-step instructions d'utilisation APIs, consultez [Knowledge Bases qui propose désormais une expérience RAG entièrement gérée dans Amazon Bedrock](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/) (article de AWS blog). Pour plus d'informations sur l'utilisation de l'`RetrieveAndGenerate`API afin de créer un flux de travail RAG pour une application intelligente basée sur le chat, consultez [Création d'une application de chatbot contextuelle à l'aide des bases de connaissances Amazon Bedrock (article](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/) de blog).AWS
## Sources de données pour les bases de connaissances
Vous pouvez connecter vos données propriétaires à une base de connaissances. Après avoir configuré un connecteur de source de données, vous pouvez synchroniser ou maintenir vos données à jour avec votre base de connaissances et les rendre disponibles pour les requêtes. Les bases de connaissances Amazon Bedrock prennent en charge les connexions aux sources de données suivantes :
+ [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html) — Vous pouvez connecter un bucket Amazon S3 à une base de connaissances Amazon Bedrock à l'aide de la console ou de l'API. La base de connaissances ingère et indexe les fichiers du bucket. Ce type de source de données prend en charge les fonctionnalités suivantes :
+ **Champs de métadonnées du document** : vous pouvez inclure un fichier distinct pour spécifier les métadonnées des fichiers du compartiment Amazon S3. Vous pouvez ensuite utiliser ces champs de métadonnées pour filtrer et améliorer la pertinence des réponses.
+ **Filtres d'inclusion ou d'exclusion** : vous pouvez inclure ou exclure certains contenus lors de l'exploration.
+ **Synchronisation incrémentielle** : les modifications de contenu sont suivies et seul le contenu modifié depuis la dernière synchronisation est analysé.
+ [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)— Vous pouvez connecter une Atlassian Confluence instance à une base de connaissances Amazon Bedrock à l'aide de la console ou de l'API. Ce type de source de données prend en charge les fonctionnalités suivantes :
+ **Détection automatique des principaux champs du document** — Les champs de métadonnées sont automatiquement détectés et analysés. Vous pouvez utiliser ces champs pour le filtrage.
+ **Filtres de contenu d'inclusion ou d'exclusion** : vous pouvez inclure ou exclure certains contenus en utilisant un préfixe ou un modèle d'expression régulière sur l'espace, le titre de la page, le titre du blog, le commentaire, le nom de la pièce jointe ou l'extension.
+ **Synchronisation incrémentielle** : les modifications de contenu sont suivies et seul le contenu modifié depuis la dernière synchronisation est analysé.
+ **OAuth Authentification 2.0, authentification avec jeton Confluence API** — Les informations d'authentification sont stockées dans 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)— Vous pouvez connecter une SharePoint instance à une base de connaissances à l'aide de la console ou de l'API. Ce type de source de données prend en charge les fonctionnalités suivantes :
+ **Détection automatique des principaux champs du document** — Les champs de métadonnées sont automatiquement détectés et analysés. Vous pouvez utiliser ces champs pour le filtrage.
+ **Filtres de contenu d'inclusion ou d'exclusion** : vous pouvez inclure ou exclure certains contenus en utilisant un préfixe ou un modèle d'expression régulière sur le titre de la page principale, le nom de l'événement et le nom du fichier (y compris son extension).
+ **Synchronisation incrémentielle** : les modifications de contenu sont suivies et seul le contenu modifié depuis la dernière synchronisation est analysé.
+ **OAuth Authentification 2.0** — Les informations d'authentification sont stockées dans 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)— Vous pouvez connecter une Salesforce instance à une base de connaissances à l'aide de la console ou de l'API. Ce type de source de données prend en charge les fonctionnalités suivantes :
+ **Détection automatique des principaux champs du document** — Les champs de métadonnées sont automatiquement détectés et analysés. Vous pouvez utiliser ces champs pour le filtrage.
+ **Filtres de contenu d'inclusion ou d'exclusion** : vous pouvez inclure ou exclure certains contenus à l'aide d'un préfixe ou d'un modèle d'expression régulière. Pour obtenir la liste des types de contenu auxquels vous pouvez appliquer des filtres, consultez les *filtres d'inclusion/exclusion* dans la documentation [Amazon](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector) Bedrock.
+ **Synchronisation incrémentielle** : les modifications de contenu sont suivies et seul le contenu modifié depuis la dernière synchronisation est analysé.
+ **OAuth Authentification 2.0** — Les informations d'authentification sont stockées dans AWS Secrets Manager.
+ [Web Crawler](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html) — Un robot d'exploration Web Amazon Bedrock se connecte aux données que vous fournissez et les URLs explore. Les fonctionnalités suivantes sont prises en charge :
+ Sélectionnez plusieurs URLs à explorer
+ Respectez les directives standard du fichier robots.txt, telles que `Allow` et `Disallow`
+ Exclure URLs ceux qui correspondent à un modèle
+ Limitez le taux de rampage
+ Dans Amazon CloudWatch, consultez le statut de chaque URL analysée
Pour plus d'informations sur les sources de données que vous pouvez connecter à votre base de connaissances Amazon Bedrock, consultez [Créer un connecteur de source de données pour votre base de connaissances](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
## Bases de données vectorielles pour les bases de connaissances
Lorsque vous établissez une connexion entre la base de connaissances et la source de données, vous devez configurer une base de données vectorielle, également appelée *magasin de vecteurs*. Une base de données vectorielle est l'endroit où Amazon Bedrock stocke, met à jour et gère les intégrations qui représentent vos données. Chaque source de données prend en charge différents types de bases de données vectorielles. Pour déterminer les bases de données vectorielles disponibles pour votre source de données, consultez les [types de sources de données](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
Si vous préférez qu'Amazon Bedrock crée automatiquement une base de données vectorielle dans Amazon OpenSearch Serverless pour vous, vous pouvez choisir cette option lors de la création de la base de connaissances. Toutefois, vous pouvez également choisir de configurer votre propre base de données vectorielles. Si vous configurez votre propre base de données vectorielles, reportez-vous à la section [Conditions requises pour votre propre magasin de vecteurs pour obtenir une base de connaissances](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html). Chaque type de base de données vectorielle possède ses propres prérequis.
En fonction de votre type de source de données, les bases de connaissances Amazon Bedrock prennent en charge les bases de données vectorielles suivantes :
+ [Amazon OpenSearch sans serveur](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)(Pineconedocumentation)
+ [https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/)(Redisdocumentation)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock)(MongoDBdocumentation)
# Amazon Q Business
[Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) est un assistant entièrement géré basé sur l'IA générative que vous pouvez configurer pour répondre aux questions, fournir des résumés, générer du contenu et effectuer des tâches en fonction des données de votre entreprise. Il permet aux utilisateurs finaux de recevoir des réponses immédiates, conformes aux autorisations, provenant de sources de données d'entreprise, accompagnées de citations.
## Fonctions principales
Les fonctionnalités suivantes d'Amazon Q Business peuvent vous aider à créer une application d'IA générative basée sur RAG adaptée à la production :
+ **Connecteurs intégrés** : Amazon Q Business prend en charge plus de 40 types de connecteurs, tels que les connecteurs pour Adobe Experience Manager (AEM)Salesforce,Jira, etMicrosoft SharePoint. Pour une liste complète, voir [Connecteurs pris en charge](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). Si vous avez besoin d'un connecteur qui n'est pas pris en charge, vous pouvez utiliser [Amazon AppFlow](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html) pour extraire les données de votre source de données vers Amazon Simple Storage Service (Amazon S3), puis connecter Amazon Q Business au compartiment Amazon S3. Pour obtenir la liste complète des sources de données prises AppFlow en charge par Amazon, consultez la section [Applications prises en charge](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **Pipelines d'indexation intégrés** — Amazon Q Business fournit un pipeline intégré pour indexer les données dans une base de données vectorielle. Vous pouvez utiliser une AWS Lambda fonction pour ajouter une logique de prétraitement à votre pipeline d'indexation.
+ **Options d'index** : vous pouvez créer et approvisionner un index natif dans Amazon Q Business, et vous pouvez utiliser un récupérateur Amazon Q Business pour extraire les données de cet index. Vous pouvez également utiliser un index Amazon Kendra préconfiguré en tant que récupérateur. Pour plus d'informations, consultez [Création d'un récupérateur pour une application Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html).
+ **Modèles de base** — Amazon Q Business utilise les modèles de base pris en charge dans Amazon Bedrock. Pour obtenir la liste complète, consultez la section [Modèles de fondation pris en charge dans Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **Plug-ins** — Amazon Q Business permet d'utiliser des plug-ins pour s'intégrer aux systèmes cibles, par exemple une méthode automatisée de synthèse des informations sur les tickets et de création de tickets dansJira. Une fois configurés, les plug-ins peuvent prendre en charge des actions de lecture et d'écriture qui peuvent vous aider à améliorer la productivité des utilisateurs finaux. Amazon Q Business prend en charge deux types de plug-ins : les [plug-ins intégrés](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html) et les [plug-ins personnalisés](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html).
+ **Garde-corps —** Amazon Q Business prend en charge les contrôles globaux et les contrôles thématiques. Par exemple, ces contrôles peuvent détecter des informations personnelles identifiables (PII), des abus ou des informations sensibles dans les invites. Pour plus d'informations, consultez la section [Contrôles administratifs et barrières de sécurité dans Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **Gestion des identités** — Avec Amazon Q Business, vous pouvez gérer les utilisateurs et leur accès à l'application d'IA générative basée sur RAG. Pour plus d'informations, consultez la section [Gestion des identités et des accès pour Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html). En outre, les connecteurs Amazon Q Business indexent les informations de la liste de contrôle d'accès (ACL) jointes à un document en même temps que le document lui-même. Amazon Q Business stocke ensuite les informations ACL qu'il indexe dans l'Amazon Q Business User Store afin de créer des mappages d'utilisateurs et de groupes et de filtrer les réponses au chat en fonction de l'accès de l'utilisateur final aux documents. Pour plus d'informations, consultez la section [Concepts du connecteur de source de données](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html).
+ **Enrichissement des documents** : la fonctionnalité d'enrichissement des documents vous permet de contrôler à la fois les documents et les attributs de document **qui** sont ingérés dans votre index, ainsi que la **manière dont** ils sont ingérés. Pour ce faire, deux approches peuvent être utilisées :
+ **Configurer les opérations de base** : utilisez les opérations de base pour ajouter, mettre à jour ou supprimer des attributs de document dans vos données. Par exemple, vous pouvez effacer les données personnelles en choisissant de supprimer tous les attributs de document liés aux informations personnelles.
+ **Configuration des fonctions Lambda** : utilisez une fonction Lambda préconfigurée pour appliquer une logique de manipulation des attributs de document plus personnalisée et avancée à vos données. Par exemple, les données de votre entreprise peuvent être stockées sous forme d’images numérisées. Dans ce cas, vous pouvez utiliser une fonction Lambda pour exécuter la reconnaissance optique de caractères (OCR) sur les documents numérisés afin d'en extraire du texte. Chaque document numérisé est ensuite traité comme un document texte lors de l’ingestion. Enfin, pendant le chat, Amazon Q prend en compte les données textuelles extraites des documents numérisés lorsqu'il génère des réponses.
Lorsque vous implémentez votre solution, vous pouvez choisir de combiner les deux approches d'enrichissement des documents. Vous pouvez utiliser des opérations de base pour effectuer une première analyse de vos données, puis utiliser une fonction Lambda pour des opérations plus complexes. Pour plus d'informations, consultez la section [Enrichissement des documents dans Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html).
+ **Intégration** — Après avoir créé votre application Amazon Q Business, vous pouvez l'intégrer à d'autres applications, telles que Slack ouMicrosoft Teams. Par exemple, consultez [Déployer une Slack passerelle pour Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) et [Déployer une Microsoft Teams passerelle pour Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/) (articles de AWS blog).
## Personnalisation pour l'utilisateur final
Amazon Q Business prend en charge le téléchargement de documents susceptibles de ne pas être stockés dans les sources de données et dans l'index de votre organisation. Les documents téléchargés ne sont pas stockés. Ils ne peuvent être utilisés que pour la conversation au cours de laquelle les documents sont téléchargés. Amazon Q Business prend en charge le téléchargement de types de documents spécifiques. Pour plus d'informations, consultez [Importer des fichiers et discuter dans Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html).
Amazon Q Business inclut une fonctionnalité [de filtrage par attribut de document](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html). Les administrateurs et les utilisateurs finaux peuvent utiliser cette fonctionnalité. Les administrateurs peuvent personnaliser et contrôler les réponses au chat pour les utilisateurs finaux à l'aide d'attributs. Par exemple, si le type de source de données est un attribut attaché à vos documents, vous pouvez spécifier que les réponses au chat ne doivent être générées qu'à partir d'une source de données spécifique. Vous pouvez également autoriser les utilisateurs finaux à restreindre la portée des réponses au chat en utilisant les filtres d'attributs que vous avez sélectionnés.
Les utilisateurs finaux peuvent créer des applications [Amazon Q](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html) légères et spécialement conçues au sein de votre environnement d'applications Amazon Q Business au sens large. Les applications Amazon Q permettent d'automatiser les tâches pour un domaine spécifique, par exemple une application spécialement conçue pour l'équipe marketing.
# Amazon SageMaker AI Canvas
[Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) vous aide à utiliser l'apprentissage automatique pour générer des prédictions sans avoir à écrire de code. Il fournit une interface visuelle sans code qui vous permet de préparer les données, de créer et de déployer des modèles de machine learning, rationalisant ainsi le cycle de vie de machine end-to-end learning dans un environnement unifié. Les complexités de la préparation des données, du développement de modèles, de la détection des biais, de l'explicabilité et de la surveillance sont résumées derrière une interface intuitive. Les utilisateurs n'ont pas besoin d'être des experts en SageMaker IA ou en opérations d'apprentissage automatique (MLOps) pour développer, opérationnaliser et surveiller des modèles avec SageMaker AI Canvas.
Avec SageMaker AI Canvas, la fonctionnalité RAG est fournie par le biais d'une fonction d'interrogation de documents sans code. Vous pouvez enrichir l'expérience de chat dans SageMaker AI Canvas en utilisant un index Amazon Kendra comme moteur de recherche d'entreprise sous-jacent. Pour plus d'informations, voir [Extraire des informations à partir de documents à l'aide de requêtes de documents](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html).
La connexion d' SageMaker AI Canvas à l'index Amazon Kendra nécessite une configuration unique. Dans le cadre de la configuration du domaine, un administrateur cloud peut choisir un ou plusieurs index Kendra que l'utilisateur peut interroger lorsqu'il interagit avec Canvas. SageMaker Pour savoir comment activer la fonctionnalité d'interrogation de documents, consultez [Getting started with Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html).
SageMaker AI Canvas gère la communication sous-jacente entre Amazon Kendra et le modèle de base sélectionné. Pour plus d'informations sur les modèles de base pris en charge par SageMaker AI Canvas, voir [Modèles de base d'IA générative dans SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html). Le schéma suivant montre comment fonctionne la fonctionnalité de requête de documents une fois que l'administrateur du cloud a connecté SageMaker AI Canvas à un index Amazon Kendra.
![\[Flux de travail pour la fonctionnalité de requête de documents dans Amazon SageMaker AI Canvas.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)
Le schéma suivant illustre le flux de travail suivant :
1. L'utilisateur lance une nouvelle discussion dans SageMaker AI Canvas, active l'**option Query documents**, sélectionne l'index cible, puis soumet une question.
1. SageMaker AI Canvas utilise la requête pour rechercher les données pertinentes dans l'index Amazon Kendra.
1. SageMaker AI Canvas extrait les données et leurs sources à partir de l'index Amazon Kendra.
1. SageMaker AI Canvas met à jour l'invite pour inclure le contexte extrait de l'index Amazon Kendra et soumet l'invite au modèle de base.
1. Le modèle de base utilise la question initiale et le contexte extrait pour générer une réponse.
1. SageMaker AI Canvas fournit la réponse générée à l'utilisateur. Il inclut des références aux sources de données, telles que les documents, qui ont été utilisées pour générer la réponse.