Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Opzioni Retrieval Augmented Generation completamente gestite su AWS
Per gestire i flussi di lavoro Retrieval Augmented Generation (RAG) AWS, puoi utilizzare pipeline RAG personalizzate o utilizzare alcune delle funzionalità di servizi completamente gestiti che offre. AWS Poiché includono molti dei componenti principali di un sistema basato su RAG, i servizi completamente gestiti possono aiutarvi a gestire parte del sollevamento indifferenziato di carichi pesanti. Tuttavia, questi servizi offrono minori opportunità di personalizzazione.
La versione completamente gestita Servizi AWS utilizza connettori per importare dati da fonti di dati esterne, come siti Web, Atlassian Confluence o Microsoft. SharePoint Le fonti di dati supportate variano in base. Servizio AWS
Questa sezione esplora le seguenti opzioni completamente gestite per la creazione di flussi di lavoro RAG su: AWS
+ [Basi di conoscenza per 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)
Per ulteriori informazioni su come scegliere tra queste opzioni, consulta [Scelta di un'opzione Retrieval Augmented Generation su AWS](choosing-option.md) questa guida.
# Basi di conoscenza per Amazon Bedrock
[Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) è un servizio completamente gestito che rende disponibili per l'uso modelli di base ad alte prestazioni (FMs) delle principali startup di intelligenza artificiale e di Amazon tramite un'API unificata. [Le Knowledge Bases](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) sono una funzionalità di Amazon Bedrock che ti aiuta a implementare l'intero flusso di lavoro RAG, dall'ingestione al recupero e al rapido aumento. Non è necessario creare integrazioni personalizzate con le fonti di dati o gestire i flussi di dati. La gestione del contesto delle sessioni è integrata in modo che la tua applicazione di intelligenza artificiale generativa possa supportare prontamente conversazioni a più turni.
Dopo aver specificato la posizione dei dati, le knowledge base per Amazon Bedrock recuperano internamente i documenti, li suddividono in blocchi di testo, convertono il testo in incorporamenti e quindi archiviano gli incorporamenti nel database vettoriale di tua scelta. Amazon Bedrock gestisce e aggiorna gli incorporamenti, mantenendo il database vettoriale sincronizzato con i dati. Per ulteriori informazioni sul funzionamento delle knowledge base, consulta [Come funzionano le knowledge base Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).
Se aggiungi knowledge base a un agente Amazon Bedrock, l'agente identifica la knowledge base appropriata in base all'input dell'utente. L'agente recupera le informazioni pertinenti e le aggiunge al prompt di input. Il prompt aggiornato fornisce al modello ulteriori informazioni di contesto per generare una risposta. Per migliorare la trasparenza e ridurre al minimo le allucinazioni, le informazioni recuperate dalla knowledge base sono riconducibili alla fonte.
![\[L'agente Amazon Bedrock recupera le informazioni dalla knowledge base e le trasmette al LLM.\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)
Amazon Bedrock supporta i seguenti due sistemi APIs per RAG:
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)— Puoi utilizzare questa API per interrogare la tua knowledge base e generare risposte a partire dalle informazioni recuperate. Internamente, Amazon Bedrock converte le query in incorporamenti, interroga la knowledge base, amplia il prompt con i risultati della ricerca come informazioni di contesto e restituisce la risposta generata da LLM. Amazon Bedrock gestisce anche la memoria a breve termine della conversazione per fornire risultati più contestuali.
+ [Recupera](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html): puoi utilizzare questa API per interrogare la tua knowledge base con informazioni recuperate direttamente dalla knowledge base. È possibile utilizzare le informazioni restituite da questa API per elaborare il testo recuperato, valutarne la pertinenza o sviluppare un flusso di lavoro separato per la generazione di risposte. Internamente, Amazon Bedrock converte le query in incorporamenti, effettua ricerche nella knowledge base e restituisce i risultati pertinenti. Puoi creare flussi di lavoro aggiuntivi in aggiunta ai risultati di ricerca. Ad esempio, puoi utilizzare il [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/)`AmazonKnowledgeBasesRetriever`plug-in per integrare i flussi di lavoro RAG in applicazioni di intelligenza artificiale generativa.
Per esempi di modelli architettonici e step-by-step istruzioni per l'uso di APIs, consulta [Knowledge Bases ora offre un'esperienza RAG completamente gestita in Amazon Bedrock](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/) (post del AWS blog). Per ulteriori informazioni su come utilizzare l'`RetrieveAndGenerate`API per creare un flusso di lavoro RAG per un'applicazione intelligente basata su chat, consulta [Creare un'applicazione chatbot contestuale utilizzando Amazon Bedrock Knowledge](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/) Bases (post del blog).AWS
## Origini dati per knowledge base
Puoi collegare i tuoi dati proprietari a una knowledge base. Dopo aver configurato un connettore per le sorgenti dati, puoi sincronizzare o mantenere aggiornati i dati con la tua knowledge base e renderli disponibili per l'interrogazione. Le knowledge base di Amazon Bedrock supportano le connessioni alle seguenti fonti di dati:
+ [Amazon Simple Storage Service (Amazon S3](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html)) — Puoi connettere un bucket Amazon S3 a una knowledge base Amazon Bedrock utilizzando la console o l'API. La knowledge base inserisce e indicizza i file nel bucket. Questo tipo di origine dati supporta le seguenti funzionalità:
+ **Campi di metadati del documento**: puoi includere un file separato per specificare i metadati per i file nel bucket Amazon S3. Puoi quindi utilizzare questi campi di metadati per filtrare e migliorare la pertinenza delle risposte.
+ **Filtri di inclusione o esclusione**: puoi includere o escludere determinati contenuti durante la scansione.
+ **Sincronizzazione incrementale**: le modifiche ai contenuti vengono tracciate e solo i contenuti modificati dall'ultima sincronizzazione vengono sottoposti a scansione.
+ [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)— Puoi connettere un'Atlassian Confluenceistanza a una knowledge base di Amazon Bedrock utilizzando la console o l'API. Questo tipo di origine dati supporta le seguenti funzionalità:
+ **Rilevamento automatico dei campi del documento principale: i campi** di metadati vengono rilevati automaticamente e sottoposti a scansione. È possibile utilizzare questi campi per filtrare.
+ **Filtri di contenuto di inclusione o esclusione**: puoi includere o escludere determinati contenuti utilizzando un prefisso o uno schema di espressione regolare nello spazio, nel titolo della pagina, nel titolo del blog, nel commento, nel nome dell'allegato o nell'estensione.
+ **Sincronizzazione incrementale**: le modifiche ai contenuti vengono tracciate e solo i contenuti modificati dall'ultima sincronizzazione vengono sottoposti a scansione.
+ **OAuth autenticazione 2.0, autenticazione con token Confluence API**: le credenziali di autenticazione sono archiviate in. Gestione dei segreti AWS
+ [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)— È possibile connettere un'SharePointistanza a una knowledge base utilizzando la console o l'API. Questo tipo di origine dati supporta le seguenti funzionalità:
+ **Rilevamento automatico dei campi del documento principale: i campi** di metadati vengono rilevati automaticamente e sottoposti a scansione. È possibile utilizzare questi campi per filtrare.
+ **Filtri di contenuto di inclusione o esclusione**: puoi includere o escludere determinati contenuti utilizzando un prefisso o un modello di espressione regolare nel titolo della pagina principale, nel nome dell'evento e nel nome del file (inclusa l'estensione).
+ **Sincronizzazione incrementale**: le modifiche ai contenuti vengono tracciate e solo i contenuti modificati dall'ultima sincronizzazione vengono sottoposti a scansione.
+ **OAuth Autenticazione 2.0: le credenziali di autenticazione** vengono archiviate in. Gestione dei segreti AWS
+ [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)— È possibile connettere un'Salesforceistanza a una knowledge base utilizzando la console o l'API. Questo tipo di origine dati supporta le seguenti funzionalità:
+ **Rilevamento automatico dei campi del documento principale: i campi** di metadati vengono rilevati automaticamente e sottoposti a scansione. È possibile utilizzare questi campi per filtrare.
+ **Filtri di contenuto di inclusione o esclusione**: puoi includere o escludere determinati contenuti utilizzando un prefisso o un modello di espressione regolare. [Per un elenco dei tipi di contenuto a cui puoi applicare filtri, consulta i filtri di *inclusione/esclusione nella* documentazione di Amazon Bedrock.](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector)
+ **Sincronizzazione incrementale**: le modifiche ai contenuti vengono tracciate e solo i contenuti modificati dall'ultima sincronizzazione vengono sottoposti a scansione.
+ **OAuth Autenticazione 2.0: le credenziali di autenticazione** vengono archiviate in. Gestione dei segreti AWS
+ [Web Crawler](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html): un web crawler di Amazon Bedrock si connette e ne esegue la scansione. URLs Sono supportate le seguenti funzionalità:
+ Seleziona più elementi URLs da scansionare
+ Rispetta le direttive robots.txt standard, come e `Allow` `Disallow`
+ Escludi URLs che corrisponda a uno schema
+ Limita la velocità di scansione
+ In Amazon CloudWatch, visualizza lo stato di ogni URL sottoposto a scansione
Per ulteriori informazioni sulle fonti di dati che puoi connettere alla tua knowledge base Amazon Bedrock, consulta [Creare un connettore di origine dati per la tua knowledge base](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
## Database vettoriali per basi di conoscenza
Quando si imposta una connessione tra la knowledge base e l'origine dati, è necessario configurare un database vettoriale, noto anche come archivio *vettoriale*. Un database vettoriale è il luogo in cui Amazon Bedrock archivia, aggiorna e gestisce gli incorporamenti che rappresentano i tuoi dati. Ogni fonte di dati supporta diversi tipi di database vettoriali. Per determinare quali database vettoriali sono disponibili per la tua fonte di dati, consulta i tipi di [fonti di dati](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
Se preferisci che Amazon Bedrock crei automaticamente un database vettoriale in Amazon OpenSearch Serverless per te, puoi scegliere questa opzione quando crei la knowledge base. Tuttavia, puoi anche scegliere di configurare il tuo database vettoriale. Se configuri il tuo database vettoriale, consulta [Prerequisiti per il tuo archivio vettoriale per](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html) una knowledge base. Ogni tipo di database vettoriale ha i propri prerequisiti.
A seconda del tipo di origine dati, le knowledge base di Amazon Bedrock supportano i seguenti database vettoriali:
+ [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)(Pineconedocumentazione)
+ [https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/)(Redisdocumentazione)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock)(MongoDBdocumentazione)
# Amazon Q Business
[Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) è un assistente completamente gestito e basato sull'intelligenza artificiale generativa che puoi configurare per rispondere a domande, fornire riepiloghi, generare contenuti e completare attività in base ai tuoi dati aziendali. Consente agli utenti finali di ricevere risposte immediate e basate sulle autorizzazioni da fonti di dati aziendali con citazioni.
## Funzionalità principali
Le seguenti funzionalità di Amazon Q Business possono aiutarti a creare un'applicazione AI generativa basata su RAG di livello di produzione:
+ **Connettori integrati**: Amazon Q Business supporta più di 40 tipi di connettori, ad esempio connettori per Adobe Experience Manager (AEM)Salesforce,Jira, eMicrosoft SharePoint. Per un elenco completo, consulta [Connettori supportati](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). Se hai bisogno di un connettore non supportato, puoi utilizzare [Amazon AppFlow per estrarre dati dalla tua fonte di dati in Amazon](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html) Simple Storage Service (Amazon S3) Simple Storage Service (Amazon S3) e quindi connettere Amazon Q Business al bucket Amazon S3. Per un elenco completo delle fonti di dati AppFlow supportate da Amazon, consulta [Applicazioni supportate](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **Pipeline di indicizzazione integrate:** Amazon Q Business fornisce una pipeline integrata per l'indicizzazione dei dati in un database vettoriale. Puoi usare una AWS Lambda funzione per aggiungere una logica di preelaborazione per la tua pipeline di indicizzazione.
+ **Opzioni di indicizzazione**: puoi creare e fornire un indice nativo in Amazon Q Business e utilizzare un Amazon Q Business retriever per estrarre i dati da quell'indice. In alternativa, puoi utilizzare un indice Amazon Kendra preconfigurato come retriever. Per ulteriori informazioni, consulta [Creazione di un retriever per un'applicazione Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html).
+ **Modelli base**: Amazon Q Business utilizza i modelli di base supportati in Amazon Bedrock. Per un elenco completo, consulta [Modelli di base supportati in Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **Plugin**: Amazon Q Business offre la possibilità di utilizzare i plug-in per l'integrazione con i sistemi di destinazione, ad esempio un modo automatico per riepilogare le informazioni sui ticket e creare i ticket. Jira Una volta configurati, i plugin possono supportare azioni di lettura e scrittura che possono aiutarti a incrementare la produttività degli utenti finali. Amazon Q Business supporta due tipi di plug-in: plug-in [integrati e plug-in](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html) [personalizzati](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html).
+ **Guardrails** — Amazon Q Business supporta controlli globali e controlli a livello di argomento. Ad esempio, questi controlli possono rilevare informazioni di identificazione personale (PII), abusi o informazioni sensibili nei prompt. Per ulteriori informazioni, consulta [Controlli amministrativi e guardrail in Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **Gestione delle identità**: con Amazon Q Business, puoi gestire gli utenti e il loro accesso all'applicazione AI generativa basata su RAG. Per ulteriori informazioni, consulta [Gestione delle identità e degli accessi per Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html). Inoltre, i connettori Amazon Q Business indicizzano le informazioni dell'elenco di controllo degli accessi (ACL) allegate a un documento insieme al documento stesso. Quindi, Amazon Q Business archivia le informazioni ACL indicizzate nell'Amazon Q Business User Store per creare mappature di utenti e gruppi e filtrare le risposte delle chat in base all'accesso dell'utente finale ai documenti. [Per ulteriori informazioni, consulta Concetti relativi ai connettori di origine dati.](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html)
+ **Arricchimento** dei documenti: la funzionalità di arricchimento dei documenti consente di controllare sia i documenti e gli attributi dei documenti **che** vengono inseriti nell'indice sia il **modo** in cui vengono inseriti. Ciò può essere ottenuto mediante due approcci:
+ **Configura le operazioni di** base: utilizza le operazioni di base per aggiungere, aggiornare o eliminare gli attributi del documento dai dati. Ad esempio, puoi cancellare i dati PII scegliendo di eliminare qualsiasi attributo del documento relativo alle PII.
+ **Configura le funzioni Lambda**: utilizza una funzione Lambda preconfigurata per eseguire una logica di manipolazione degli attributi dei documenti più personalizzata e avanzata sui tuoi dati. Ad esempio, i dati aziendali potrebbero essere archiviati come immagini scansionate. In tal caso, puoi utilizzare una funzione Lambda per eseguire il riconoscimento ottico dei caratteri (OCR) sui documenti scansionati per estrarne il testo. Quindi, ogni documento scansionato viene trattato come un documento di testo durante l’importazione. Infine, durante la chat, Amazon Q prenderà in considerazione i dati testuali estratti dai documenti scansionati quando genera le risposte.
Quando implementi la tua soluzione, puoi scegliere di combinare entrambi gli approcci di arricchimento dei documenti. È possibile utilizzare le operazioni di base per eseguire una prima analisi dei dati e quindi utilizzare una funzione Lambda per operazioni più complesse. Per ulteriori informazioni, consulta [Arricchimento dei documenti in Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html).
+ **Integrazione**: dopo aver creato l'applicazione Amazon Q Business, puoi integrarla in altre applicazioni, come Slack oMicrosoft Teams. Ad esempio, consulta [Implementare un Slack gateway per Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) e [Implementare un gateway Microsoft Teams per Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/) (AWS post di blog).
## Personalizzazione per l'utente finale
Amazon Q Business supporta il caricamento di documenti che potrebbero non essere archiviati nelle fonti di dati e nell'indice della tua organizzazione. I documenti caricati non vengono archiviati. Sono disponibili solo per la conversazione in cui vengono caricati i documenti. Amazon Q Business supporta tipi di documenti specifici per il caricamento. Per ulteriori informazioni, consulta [Caricare file e chattare in Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html).
Amazon Q Business include una funzionalità di [filtraggio per attributo del documento](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html). Sia gli amministratori che gli utenti finali possono utilizzare questa funzionalità. Gli amministratori possono personalizzare e controllare le risposte alla chat per gli utenti finali utilizzando gli attributi. Ad esempio, se il tipo di origine dati è un attributo allegato ai documenti, puoi specificare che le risposte alla chat vengano generate solo da una fonte di dati specifica. In alternativa, puoi consentire agli utenti finali di limitare l'ambito delle risposte alla chat utilizzando i filtri degli attributi che hai selezionato.
Gli utenti finali possono creare app [Amazon Q](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html) leggere e su misura all'interno del più ampio ambiente applicativo Amazon Q Business. Le app Amazon Q consentono l'automazione delle attività per un dominio specifico, ad esempio un'app creata appositamente per il team di marketing.
# Amazon SageMaker AI Canvas
[Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) ti aiuta a utilizzare l'apprendimento automatico per generare previsioni senza dover scrivere alcun codice. Fornisce un'interfaccia visiva senza codice che consente di preparare dati, creare e distribuire modelli di machine learning, semplificando il ciclo di vita del end-to-end machine learning in un ambiente unificato. Le complessità della preparazione dei dati, dello sviluppo dei modelli, del rilevamento delle distorsioni, della spiegabilità e del monitoraggio sono riassunte in un'interfaccia intuitiva. Gli utenti non devono essere esperti di SageMaker intelligenza artificiale o di operazioni di machine learning (MLOps) per sviluppare, rendere operativi e monitorare i modelli con AI Canvas. SageMaker
Con SageMaker AI Canvas, la funzionalità RAG viene fornita tramite una funzionalità di interrogazione dei documenti senza codice. Puoi arricchire l'esperienza di chat in SageMaker AI Canvas utilizzando un indice Amazon Kendra come ricerca aziendale sottostante. Per ulteriori informazioni, consulta [Estrarre informazioni dai documenti con interrogazioni sui documenti](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html).
La connessione di SageMaker AI Canvas all'indice Amazon Kendra richiede una configurazione unica. Come parte della configurazione del dominio, un amministratore cloud può scegliere uno o più indici Kendra su cui l'utente può interrogare quando interagisce con Canvas. SageMaker Per istruzioni su come abilitare la funzionalità di interrogazione dei documenti, consulta [Guida introduttiva all'uso di Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html).
SageMaker AI Canvas gestisce la comunicazione di base tra Amazon Kendra e il modello di base selezionato. Per ulteriori informazioni sui modelli di base supportati da SageMaker AI Canvas, consulta [Modelli di base AI generativi in SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) Canvas. Il diagramma seguente mostra come funziona la funzionalità di interrogazione dei documenti dopo che l'amministratore cloud ha collegato SageMaker AI Canvas a un indice Amazon Kendra.
![\[Flusso di lavoro per la funzionalità di interrogazione dei documenti in Amazon SageMaker AI Canvas.\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)
Il diagramma mostra il flusso di lavoro seguente:
1. L'utente avvia una nuova chat in SageMaker AI Canvas, attiva **i documenti Query**, seleziona l'indice di destinazione e quindi invia una domanda.
1. SageMaker AI Canvas utilizza la query per cercare dati pertinenti nell'indice Amazon Kendra.
1. SageMaker AI Canvas recupera i dati e le relative fonti dall'indice Amazon Kendra.
1. SageMaker AI Canvas aggiorna il prompt per includere il contesto recuperato dall'indice Amazon Kendra e invia il prompt al modello di base.
1. Il modello di base utilizza la domanda originale e il contesto recuperato per generare una risposta.
1. SageMaker AI Canvas fornisce la risposta generata all'utente. Include riferimenti alle fonti di dati, come i documenti, che sono state utilizzate per generare la risposta.