Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Opsi Retrieval Augmented Generation yang dikelola sepenuhnya pada AWS
Untuk mengelola alur kerja Retrieval Augmented Generation (RAG) AWS, Anda dapat menggunakan pipeline RAG khusus atau menggunakan beberapa kemampuan layanan terkelola penuh yang ditawarkan. AWS Karena mereka mencakup banyak komponen inti dari sistem berbasis RAG, layanan yang dikelola sepenuhnya dapat membantu Anda mengelola beberapa angkat berat yang tidak berdiferensiasi. Namun, layanan ini memberikan lebih sedikit kesempatan untuk penyesuaian.
Konektor Layanan AWS penggunaan yang dikelola sepenuhnya untuk menyerap data dari sumber data eksternal, seperti situs web, Atlassian Confluence, atau Microsoft. SharePoint Sumber data yang didukung berbeda-beda Layanan AWS.
Bagian ini mengeksplorasi opsi terkelola penuh berikut untuk membangun alur kerja RAG pada: AWS
+ [Basis pengetahuan untuk Amazon Bedrock](rag-fully-managed-bedrock.md)
+ [Amazon Q Bisnis](rag-fully-managed-q-business.md)
+ [Kanvas Amazon SageMaker AI](rag-fully-managed-sagemaker-canvas.md)
Untuk informasi selengkapnya tentang cara memilih di antara opsi-opsi ini, lihat [Memilih opsi Retrieval Augmented Generation di AWS](choosing-option.md) di panduan ini.
# Basis pengetahuan untuk Amazon Bedrock
[Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) adalah layanan yang dikelola sepenuhnya yang membuat model foundation berkinerja tinggi (FMs) dari startup AI terkemuka dan Amazon tersedia untuk Anda gunakan melalui API terpadu. [Basis pengetahuan](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) adalah kemampuan Amazon Bedrock yang membantu Anda menerapkan seluruh alur kerja RAG, mulai dari konsumsi hingga pengambilan dan augmentasi yang cepat. Tidak perlu membangun integrasi kustom ke sumber data atau untuk mengelola aliran data. Manajemen konteks sesi dibangun sehingga aplikasi AI generatif Anda dapat dengan mudah mendukung percakapan multi-putaran.
Setelah Anda menentukan lokasi data Anda, basis pengetahuan untuk Amazon Bedrock secara internal mengambil dokumen, memotongnya menjadi blok teks, mengubah teks menjadi embeddings, dan kemudian menyimpan embeddings dalam database vektor pilihan Anda. Amazon Bedrock mengelola dan memperbarui embeddings, menjaga database vektor tetap sinkron dengan data. Untuk informasi selengkapnya tentang cara kerja basis pengetahuan, lihat [Cara kerja basis pengetahuan Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).
Jika Anda menambahkan basis pengetahuan ke agen Amazon Bedrock, agen mengidentifikasi basis pengetahuan yang sesuai berdasarkan masukan pengguna. Agen mengambil informasi yang relevan dan menambahkan informasi ke prompt input. Prompt yang diperbarui menyediakan model dengan lebih banyak informasi konteks untuk menghasilkan respons. Untuk meningkatkan transparansi dan meminimalkan halusinasi, informasi yang diambil dari basis pengetahuan dapat dilacak ke sumbernya.
![\[Agen Amazon Bedrock mengambil informasi dari basis pengetahuan dan meneruskannya ke LLM.\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)
Amazon Bedrock mendukung dua berikut APIs untuk RAG:
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)— Anda dapat menggunakan API ini untuk menanyakan basis pengetahuan Anda dan menghasilkan tanggapan dari informasi yang diambilnya. Secara internal, Amazon Bedrock mengubah kueri menjadi embeddings, menanyakan basis pengetahuan, menambah prompt dengan hasil pencarian sebagai informasi konteks, dan mengembalikan respons yang dihasilkan LLM. Amazon Bedrock juga mengelola memori jangka pendek percakapan untuk memberikan hasil yang lebih kontekstual.
+ [Ambil](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) - Anda dapat menggunakan API ini untuk menanyakan basis pengetahuan Anda dengan informasi yang diambil langsung dari basis pengetahuan. Anda dapat menggunakan informasi yang dikembalikan dari API ini untuk memproses teks yang diambil, mengevaluasi relevansinya, atau mengembangkan alur kerja terpisah untuk pembuatan respons. Secara internal, Amazon Bedrock mengubah kueri menjadi embeddings, mencari basis pengetahuan, dan mengembalikan hasil yang relevan. Anda dapat membuat alur kerja tambahan di atas hasil penelusuran. Misalnya, Anda dapat menggunakan [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/)`AmazonKnowledgeBasesRetriever`plugin untuk mengintegrasikan alur kerja RAG ke dalam aplikasi AI generatif.
Untuk contoh pola arsitektur dan step-by-step instruksi untuk menggunakan APIs, lihat [Pangkalan Pengetahuan sekarang memberikan pengalaman RAG yang dikelola sepenuhnya di Amazon Bedrock](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/) (AWS posting blog). Untuk informasi selengkapnya tentang cara menggunakan `RetrieveAndGenerate` API untuk membangun alur kerja RAG untuk aplikasi berbasis obrolan cerdas, lihat [Membangun aplikasi chatbot kontekstual menggunakan Pangkalan Pengetahuan Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/) (posting blog).AWS
## Sumber data untuk basis pengetahuan
Anda dapat menghubungkan data kepemilikan Anda ke basis pengetahuan. Setelah mengonfigurasi konektor sumber data, Anda dapat menyinkronkan atau memperbarui data dengan basis pengetahuan Anda dan membuat data Anda tersedia untuk kueri. Basis pengetahuan Amazon Bedrock mendukung koneksi ke sumber data berikut:
+ [Amazon Simple Storage Service (Amazon S3](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html)) - Anda dapat menghubungkan bucket Amazon S3 ke basis pengetahuan Amazon Bedrock dengan menggunakan konsol atau API. Basis pengetahuan mencerna dan mengindeks file dalam ember. Jenis sumber data ini mendukung fitur-fitur berikut:
+ **Bidang metadata dokumen** — Anda dapat menyertakan file terpisah untuk menentukan metadata file di bucket Amazon S3. Anda kemudian dapat menggunakan bidang metadata ini untuk memfilter dan meningkatkan relevansi tanggapan.
+ **Filter penyertaan atau pengecualian** — Anda dapat menyertakan atau mengecualikan konten tertentu saat merayapi.
+ **Sinkronisasi tambahan** — Perubahan konten dilacak, dan hanya konten yang telah berubah sejak sinkronisasi terakhir dirayapi.
+ [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)— Anda dapat menghubungkan Atlassian Confluence instance ke basis pengetahuan Amazon Bedrock dengan menggunakan konsol atau API. Jenis sumber data ini mendukung fitur-fitur berikut:
+ **Deteksi otomatis bidang dokumen utama - Bidang** metadata secara otomatis terdeteksi dan dirayapi. Anda dapat menggunakan bidang ini untuk pemfilteran.
+ **Filter konten penyertaan atau pengecualian** — Anda dapat menyertakan atau mengecualikan konten tertentu dengan menggunakan awalan atau pola ekspresi reguler pada spasi, judul halaman, judul blog, komentar, nama lampiran, atau ekstensi.
+ **Sinkronisasi tambahan** - Perubahan konten dilacak, dan hanya konten yang telah berubah sejak sinkronisasi terakhir dirayapi.
+ **OAuth Otentikasi 2.0, otentikasi dengan token Confluence API** — Kredensyal otentikasi disimpan di. 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)— Anda dapat menghubungkan SharePoint instance ke basis pengetahuan dengan menggunakan konsol atau API. Jenis sumber data ini mendukung fitur-fitur berikut:
+ **Deteksi otomatis bidang dokumen utama - Bidang** metadata secara otomatis terdeteksi dan dirayapi. Anda dapat menggunakan bidang ini untuk pemfilteran.
+ **Filter konten penyertaan atau pengecualian** — Anda dapat menyertakan atau mengecualikan konten tertentu dengan menggunakan awalan atau pola ekspresi reguler pada judul halaman utama, nama acara, dan nama file (termasuk ekstensinya).
+ **Sinkronisasi tambahan** - Perubahan konten dilacak, dan hanya konten yang telah berubah sejak sinkronisasi terakhir dirayapi.
+ **OAuth Otentikasi 2.0** — Kredensyal otentikasi disimpan di. 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)— Anda dapat menghubungkan Salesforce instance ke basis pengetahuan dengan menggunakan konsol atau API. Jenis sumber data ini mendukung fitur-fitur berikut:
+ **Deteksi otomatis bidang dokumen utama - Bidang** metadata secara otomatis terdeteksi dan dirayapi. Anda dapat menggunakan bidang ini untuk pemfilteran.
+ **Filter konten penyertaan atau pengecualian** — Anda dapat menyertakan atau mengecualikan konten tertentu dengan menggunakan awalan atau pola ekspresi reguler. [Untuk daftar jenis konten yang dapat Anda terapkan filter, lihat Filter *inklusi/pengecualian di* dokumentasi Amazon Bedrock.](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector)
+ **Sinkronisasi tambahan** — Perubahan konten dilacak, dan hanya konten yang telah berubah sejak sinkronisasi terakhir dirayapi.
+ **OAuth Otentikasi 2.0** — Kredensyal otentikasi disimpan di. AWS Secrets Manager
+ [Web Crawler](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html) — Perayap Web Amazon Bedrock menghubungkan dan merayapi yang Anda berikan. URLs Fitur-fitur berikut didukung:
+ Pilih beberapa URLs untuk dirayapi
+ Hormati arahan robots.txt standar, seperti dan `Allow` `Disallow`
+ Kecualikan URLs yang cocok dengan pola
+ Batasi tingkat perayapan
+ Di Amazon CloudWatch, lihat status setiap URL yang dirayapi
Untuk informasi selengkapnya tentang sumber data yang dapat Anda sambungkan ke basis pengetahuan Amazon Bedrock, lihat [Membuat konektor sumber data untuk basis pengetahuan Anda](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
## Database vektor untuk basis pengetahuan
Ketika Anda mengatur koneksi antara basis pengetahuan dan sumber data, Anda harus mengkonfigurasi database vektor, juga dikenal sebagai *penyimpanan vektor*. Basis data vektor adalah tempat Amazon Bedrock menyimpan, memperbarui, dan mengelola embeddings yang mewakili data Anda. Setiap sumber data mendukung berbagai jenis database vektor. Untuk menentukan database vektor mana yang tersedia untuk sumber data Anda, lihat [tipe sumber data](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
Jika Anda lebih suka Amazon Bedrock untuk secara otomatis membuat database vektor di Amazon OpenSearch Tanpa Server untuk Anda, Anda dapat memilih opsi ini saat membuat basis pengetahuan. Namun, Anda juga dapat memilih untuk mengatur database vektor Anda sendiri. Jika Anda menyiapkan database vektor Anda sendiri, lihat [Prasyarat untuk penyimpanan vektor Anda sendiri untuk](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html) basis pengetahuan. Setiap jenis database vektor memiliki prasyaratnya sendiri.
Bergantung pada tipe sumber data Anda, basis pengetahuan Amazon Bedrock mendukung database vektor berikut:
+ [Amazon Tanpa OpenSearch Server](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vector-search.html)
+ [Edisi Kompatibel dengan Amazon Aurora PostgreSQL](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)(Pineconedokumentasi)
+ [https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/)(Redisdokumentasi)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock)(MongoDBdokumentasi)
# Amazon Q Bisnis
[Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) adalah asisten bertenaga Generatif-AI yang dikelola sepenuhnya yang dapat Anda konfigurasikan untuk menjawab pertanyaan, memberikan ringkasan, menghasilkan konten, dan menyelesaikan tugas berdasarkan data perusahaan Anda. Ini memungkinkan pengguna akhir untuk menerima tanggapan langsung dan sadar izin dari sumber data perusahaan dengan kutipan.
## Fitur utama
Kemampuan Amazon Q Business berikut ini dapat membantu Anda membangun aplikasi AI generatif berbasis RAG tingkat produksi:
+ **Konektor bawaan** — Amazon Q Business mendukung lebih dari 40 jenis konektor, seperti konektor untukAdobe Experience Manager (AEM),Salesforce,Jira, danMicrosoft SharePoint. Untuk daftar selengkapnya, lihat [Konektor yang didukung](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). Jika Anda memerlukan konektor yang tidak didukung, Anda dapat menggunakan [Amazon AppFlow](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html) untuk menarik data dari sumber data Anda ke Amazon Simple Storage Service (Amazon S3) dan kemudian menghubungkan Amazon Q Business ke bucket Amazon S3. Untuk daftar lengkap sumber data yang AppFlow didukung Amazon, lihat [Aplikasi yang didukung](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **Pipeline pengindeksan bawaan** — Amazon Q Business menyediakan pipeline bawaan untuk mengindeks data dalam database vektor. Anda dapat menggunakan AWS Lambda fungsi untuk menambahkan logika preprocessing untuk pipeline pengindeksan Anda.
+ **Opsi indeks** — Anda dapat membuat dan menyediakan indeks asli di Amazon Q Business, dan Anda menggunakan retriever Amazon Q Business untuk menarik data dari indeks tersebut. Atau, Anda dapat menggunakan indeks Amazon Kendra yang telah dikonfigurasi sebelumnya sebagai retriever. Untuk informasi selengkapnya, lihat [Membuat retriever untuk aplikasi Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html).
+ **Model Foundation** — Amazon Q Business menggunakan model foundation yang didukung di Amazon Bedrock. Untuk daftar lengkapnya, lihat [Model foundation yang didukung di Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **Plugin** — Amazon Q Business menyediakan kemampuan untuk menggunakan plugin untuk berintegrasi dengan sistem target, seperti cara otomatis untuk meringkas informasi tiket dan pembuatan tiket. Jira Setelah dikonfigurasi, plugin dapat mendukung tindakan baca dan tulis yang dapat membantu Anda meningkatkan produktivitas pengguna akhir. Amazon Q Business mendukung dua jenis plugin: plugin [bawaan dan plugin](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html) [khusus](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html).
+ **Pagar pembatas** - Amazon Q Business mendukung kontrol global dan kontrol tingkat topik. Misalnya, kontrol ini dapat mendeteksi informasi identitas pribadi (PII), penyalahgunaan, atau informasi sensitif dalam permintaan. Untuk informasi selengkapnya, lihat [Kontrol admin dan pagar pembatas di Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **Manajemen identitas** — Dengan Amazon Q Business, Anda dapat mengelola pengguna dan akses mereka ke aplikasi AI generatif berbasis RAG. Untuk informasi selengkapnya, lihat [Identitas dan manajemen akses untuk Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html). Selain itu, konektor Amazon Q Business mengindeks informasi daftar kontrol akses (ACL) yang dilampirkan ke dokumen bersama dengan dokumen itu sendiri. Kemudian, Amazon Q Business menyimpan informasi ACL yang diindeksnya di Amazon Q Business User Store untuk membuat pemetaan pengguna dan grup serta memfilter respons obrolan berdasarkan akses pengguna akhir ke dokumen. Untuk informasi selengkapnya, lihat [Konsep konektor sumber data](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html).
+ **Pengayaan dokumen** **— Fitur pengayaan dokumen membantu Anda mengontrol dokumen dan atribut dokumen **apa yang** dicerna ke dalam indeks Anda dan juga bagaimana mereka dicerna.** Hal ini dapat dicapai melalui dua pendekatan:
+ **Konfigurasikan operasi dasar** — Gunakan operasi dasar untuk menambah, memperbarui, atau menghapus atribut dokumen dari data Anda. Misalnya, Anda dapat menggosok data PII dengan memilih untuk menghapus atribut dokumen apa pun yang terkait dengan PII.
+ **Konfigurasikan fungsi Lambda — Gunakan fungsi** Lambda yang telah dikonfigurasi sebelumnya untuk melakukan logika manipulasi atribut dokumen lanjutan yang lebih disesuaikan ke data Anda. Misalnya, data perusahaan Anda mungkin disimpan sebagai gambar yang dipindai. Dalam hal ini, Anda dapat menggunakan fungsi Lambda untuk menjalankan pengenalan karakter optik (OCR) pada dokumen yang dipindai untuk mengekstrak teks darinya. Kemudian, setiap dokumen yang dipindai diperlakukan sebagai dokumen teks selama konsumsi. Terakhir, selama obrolan, Amazon Q akan memfaktorkan data tekstual yang diekstraksi dari dokumen yang dipindai saat menghasilkan respons.
Ketika Anda menerapkan solusi Anda, Anda dapat memilih untuk menggabungkan kedua pendekatan pengayaan dokumen. Anda dapat menggunakan operasi dasar untuk melakukan parse pertama data Anda dan kemudian menggunakan fungsi Lambda untuk operasi yang lebih kompleks. Untuk informasi selengkapnya, lihat [Pengayaan dokumen di Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html).
+ **Integrasi** — Setelah Anda membuat aplikasi Amazon Q Business, Anda dapat mengintegrasikannya ke aplikasi lain, seperti Slack atauMicrosoft Teams. Misalnya, lihat [Menerapkan Slack gateway untukAmazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) dan [Menerapkan gateway Microsoft Teams untuk Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/) (AWS posting blog).
## Kustomisasi pengguna akhir
Amazon Q Business mendukung pengunggahan dokumen yang mungkin tidak disimpan dalam sumber data dan indeks organisasi Anda. Dokumen yang diunggah tidak disimpan. Mereka tersedia untuk digunakan hanya untuk percakapan di mana dokumen diunggah. Amazon Q Business mendukung jenis dokumen tertentu untuk diunggah. Untuk informasi selengkapnya, lihat [Mengunggah file dan mengobrol di Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html).
Amazon Q Business menyertakan fitur [atribut pemfilteran berdasarkan dokumen](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html). Baik administrator maupun pengguna akhir dapat menggunakan fitur ini. Administrator dapat menyesuaikan dan mengontrol respons obrolan untuk pengguna akhir dengan menggunakan atribut. Misalnya, jika tipe sumber data adalah atribut yang dilampirkan ke dokumen Anda, Anda dapat menentukan bahwa respons obrolan dibuat hanya dari sumber data tertentu. Atau, Anda dapat mengizinkan pengguna akhir untuk membatasi cakupan respons obrolan dengan menggunakan filter atribut yang telah Anda pilih.
Pengguna akhir dapat membuat Aplikasi Amazon Q yang ringan dan dibuat khusus dalam lingkungan aplikasi [Amazon Q](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html) Business Anda yang lebih luas. Aplikasi Amazon Q memungkinkan otomatisasi tugas untuk domain tertentu, seperti aplikasi yang dibuat khusus untuk tim pemasaran.
# Kanvas Amazon SageMaker AI
[Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) membantu Anda menggunakan pembelajaran mesin untuk menghasilkan prediksi tanpa perlu menulis kode apa pun. Ini menyediakan antarmuka visual tanpa kode yang memberdayakan Anda untuk menyiapkan data, membangun, dan menerapkan model ML, merampingkan siklus hidup end-to-end ML dalam lingkungan terpadu. Kompleksitas persiapan data, pengembangan model, deteksi bias, penjelasan, dan pemantauan diabstraksikan jauh di belakang antarmuka yang intuitif. Pengguna tidak perlu ahli SageMaker AI atau operasi pembelajaran mesin (MLOps) untuk mengembangkan, mengoperasionalkan, dan memantau model dengan SageMaker AI Canvas.
Dengan SageMaker AI Canvas, fungsionalitas RAG disediakan melalui fitur kueri dokumen tanpa kode. Anda dapat memperkaya pengalaman obrolan di SageMaker AI Canvas dengan menggunakan indeks Amazon Kendra sebagai pencarian perusahaan yang mendasarinya. Untuk informasi selengkapnya, lihat [Mengekstrak informasi dari dokumen dengan kueri dokumen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html).
Menghubungkan SageMaker AI Canvas ke indeks Amazon Kendra memerlukan pengaturan satu kali. Sebagai bagian dari konfigurasi domain, administrator cloud dapat memilih satu atau lebih indeks Kendra yang dapat ditanyakan pengguna saat berinteraksi dengan Canvas. SageMaker Untuk petunjuk tentang cara mengaktifkan fitur kueri dokumen, lihat [Memulai menggunakan Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html).
SageMaker AI Canvas mengelola komunikasi yang mendasari antara Amazon Kendra dan model pondasi yang dipilih. Untuk informasi lebih lanjut tentang model foundation yang didukung SageMaker AI Canvas, lihat [Model foundation Generative AI di SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html). Diagram berikut menunjukkan cara kerja fitur kueri dokumen setelah administrator cloud menghubungkan SageMaker AI Canvas ke indeks Amazon Kendra.
![\[Alur kerja untuk fitur kueri dokumen di Amazon SageMaker AI Canvas.\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)
Diagram menunjukkan alur kerja berikut:
1. Pengguna memulai obrolan baru di SageMaker AI Canvas, mengaktifkan **dokumen Kueri**, memilih indeks target, dan kemudian mengirimkan pertanyaan.
1. SageMaker AI Canvas menggunakan kueri untuk mencari indeks Amazon Kendra untuk data yang relevan.
1. SageMaker AI Canvas mengambil data dan sumbernya dari indeks Amazon Kendra.
1. SageMaker AI Canvas memperbarui prompt untuk menyertakan konteks yang diambil dari indeks Amazon Kendra dan mengirimkan prompt ke model yayasan.
1. Model dasar menggunakan pertanyaan asli dan konteks yang diambil untuk menghasilkan jawaban.
1. SageMaker AI Canvas memberikan jawaban yang dihasilkan kepada pengguna. Ini termasuk referensi ke sumber data, seperti dokumen, yang digunakan untuk menghasilkan respons.