기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 의 완전 관리형 검색 증강 생성 옵션 AWS
<a name="rag-fully-managed"></a>

에서 Retrieval Augmented Generation(RAG) 워크플로를 관리하려면 사용자 지정 RAG 파이프라인을 사용하거나에서 AWS 제공하는 일부 완전 관리형 서비스 기능을 사용할 AWS수 있습니다. 여기에는 RAG 기반 시스템의 많은 핵심 구성 요소가 포함되어 있기 때문에 완전 관리형 서비스는 차별화되지 않은 과중한 작업을 관리하는 데 도움이 될 수 있습니다. 그러나 이러한 서비스는 사용자 지정 기회를 덜 제공합니다.

완전 관리형는 커넥터를 AWS 서비스 사용하여 웹 사이트, Atlassian Confluence 또는 Microsoft SharePoint와 같은 외부 데이터 소스에서 데이터를 수집합니다. 지원되는 데이터 소스는 마다 다릅니다 AWS 서비스.

이 섹션에서는에서 RAG 워크플로를 빌드하기 위한 AWS다음과 같은 완전 관리형 옵션을 살펴봅니다.
+ [Knowledge Bases for 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)

이러한 옵션 중에서 선택하는 방법에 대한 자세한 내용은이 가이드[에서 검색 증강 생성 옵션 선택 AWS](choosing-option.md)의 섹션을 참조하세요.

# Knowledge Bases for Amazon Bedrock
<a name="rag-fully-managed-bedrock"></a>

[Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)은 선도적인 AI 스타트업과 Amazon의 고성능 파운데이션 모델(FM)을 통합 API를 통해 사용할 수 있게 해주는 완전 관리형 서비스입니다. [지식 기반](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html)은 수집부터 검색 및 프롬프트 보강에 이르기까지 전체 RAG 워크플로를 구현하는 데 도움이 되는 Amazon Bedrock 기능입니다. 데이터 소스에 대한 사용자 지정 통합을 구축하거나 데이터 흐름을 관리할 필요가 없습니다. 세션 컨텍스트 관리는 생성형 AI 애플리케이션이 멀티턴 대화를 쉽게 지원할 수 있도록 내장되어 있습니다.

데이터 위치를 지정하면 Amazon Bedrock의 지식 기반이 내부적으로 문서를 가져와 텍스트 블록으로 청크하고 텍스트를 임베딩으로 변환한 다음 선택한 벡터 데이터베이스에 임베딩을 저장합니다. Amazon Bedrock은 임베딩을 관리하고 업데이트하여 벡터 데이터베이스를 데이터와 동기화된 상태로 유지합니다. 지식 기반 작동 방식에 대한 자세한 내용은 [Amazon Bedrock 지식 기반 작동 방식을 참조하세요](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).

Amazon Bedrock 에이전트에 지식 기반을 추가하면 에이전트는 사용자 입력을 기반으로 적절한 지식 기반을 식별합니다. 에이전트는 관련 정보를 검색하고 입력 프롬프트에 정보를 추가합니다. 업데이트된 프롬프트는 모델에 응답을 생성하기 위한 추가 컨텍스트 정보를 제공합니다. 투명성을 개선하고 할루시네이션을 최소화하기 위해 지식 기반에서 검색된 정보는 소스로 추적할 수 있습니다.



![\[Amazon Bedrock 에이전트는 지식 기반에서 정보를 검색하여 LLM에 전달합니다.\]](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)


Amazon Bedrock은 RAG에 대해 다음 두 가지 APIs를 지원합니다.
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html) -이 API를 사용하여 지식 기반을 쿼리하고 검색하는 정보에서 응답을 생성할 수 있습니다. 내부적으로 Amazon Bedrock은 쿼리를 임베딩으로 변환하고, 지식 기반을 쿼리하고, 검색 결과를 컨텍스트 정보로 사용하여 프롬프트를 보강하고, LLM 생성 응답을 반환합니다. 또한 Amazon Bedrock은 대화의 단기 메모리를 관리하여 보다 상황별 결과를 제공합니다.
+ [검색](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) -이 API를 사용하여 지식 기반에서 직접 검색된 정보로 지식 기반을 쿼리할 수 있습니다. 이 API에서 반환된 정보를 사용하여 검색된 텍스트를 처리하거나, 관련성을 평가하거나, 응답 생성을 위한 별도의 워크플로를 개발할 수 있습니다. 내부적으로 Amazon Bedrock은 쿼리를 임베딩으로 변환하고, 지식 기반을 검색하고, 관련 결과를 반환합니다. 검색 결과 위에 추가 워크플로를 빌드할 수 있습니다. 예를 들어 [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/) `AmazonKnowledgeBasesRetriever` 플러그인을 사용하여 RAG 워크플로를 생성형 AI 애플리케이션에 통합할 수 있습니다.

APIs 사용에 대한 샘플 아키텍처 패턴 및 step-by-step 지침은 [이제 지식 기반에서 Amazon Bedrock에서 완전 관리형 RAG 환경 제공](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/)(AWS 블로그 게시물)을 참조하세요. `RetrieveAndGenerate` API를 사용하여 지능형 채팅 기반 애플리케이션을 위한 RAG 워크플로를 빌드하는 방법에 대한 자세한 내용은 [Amazon Bedrock 지식 기반을 사용하여 컨텍스트 챗봇 애플리케이션 빌드( 블로그 게시물)를 참조하세요](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/).AWS 

## 지식 기반용 데이터 소스
<a name="rag-fully-managed-bedrock-data-sources"></a>

독점 데이터를 지식 기반에 연결할 수 있습니다. 데이터 소스 커넥터를 구성한 후 데이터를 지식 기반과 동기화하거나 최신 상태로 유지하고 데이터를 쿼리에 사용할 수 있도록 할 수 있습니다. Amazon Bedrock 지식 기반은 다음 데이터 소스에 대한 연결을 지원합니다.
+ [Amazon Simple Storage Service(Amazon S3)](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html) - 콘솔 또는 API를 사용하여 Amazon S3 버킷을 Amazon Bedrock 지식 기반에 연결할 수 있습니다. 지식 기반은 버킷의 파일을 수집하고 인덱싱합니다. 이러한 유형의 데이터 소스는 다음 기능을 지원합니다.
  + **문서 메타데이터 필드** - 별도의 파일을 포함하여 Amazon S3 버킷의 파일에 대한 메타데이터를 지정할 수 있습니다. 그런 다음 이러한 메타데이터 필드를 사용하여 응답의 관련성을 필터링하고 개선할 수 있습니다.
  + **포함 또는 제외 필터** - 크롤링할 때 특정 콘텐츠를 포함하거나 제외할 수 있습니다.
  + **증분 동기화** - 콘텐츠 변경 사항이 추적되고 마지막 동기화 이후 변경된 콘텐츠만 크롤링됩니다.
+ [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) - 콘솔 또는 API를 사용하여 Amazon Bedrock 지식 기반에 Atlassian Confluence 인스턴스를 연결할 수 있습니다. 이러한 유형의 데이터 소스는 다음 기능을 지원합니다.
  + **기본 문서 필드 자동 감지** - 메타데이터 필드가 자동으로 감지되고 크롤링됩니다. 이러한 필드를 필터링에 사용할 수 있습니다.
  + **포함 또는 제외 콘텐츠 필터** - 스페이스, 페이지 제목, 블로그 제목, 설명, 첨부 파일 이름 또는 확장에 접두사 또는 정규식 패턴을 사용하여 특정 콘텐츠를 포함하거나 제외할 수 있습니다.
  + **증분 동기화** - 콘텐츠 변경 사항이 추적되고 마지막 동기화 이후 변경된 콘텐츠만 크롤링됩니다.
  + **OAuth 2.0 인증, Confluence API 토큰을 사용한 인증** - 인증 자격 증명이에 저장됩니다 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) - 콘솔 또는 API를 사용하여 SharePoint 인스턴스를 지식 기반에 연결할 수 있습니다. 이러한 유형의 데이터 소스는 다음 기능을 지원합니다.
  + **기본 문서 필드 자동 감지** - 메타데이터 필드가 자동으로 감지되고 크롤링됩니다. 이러한 필드를 필터링에 사용할 수 있습니다.
  + **포함 또는 제외 콘텐츠 필터** - 기본 페이지 제목, 이벤트 이름 및 파일 이름( 확장명 포함)에 접두사 또는 정규식 패턴을 사용하여 특정 콘텐츠를 포함하거나 제외할 수 있습니다.
  + **증분 동기화** - 콘텐츠 변경 사항이 추적되고 마지막 동기화 이후 변경된 콘텐츠만 크롤링됩니다.
  + **OAuth 2.0 인증** - 인증 자격 증명이에 저장됩니다 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) - 콘솔 또는 API를 사용하여 Salesforce 인스턴스를 지식 기반에 연결할 수 있습니다. 이러한 유형의 데이터 소스는 다음 기능을 지원합니다.  
  + **기본 문서 필드 자동 감지** - 메타데이터 필드가 자동으로 감지되고 크롤링됩니다. 이러한 필드를 필터링에 사용할 수 있습니다.
  + **포함 또는 제외 콘텐츠 필터** - 접두사 또는 정규식 패턴을 사용하여 특정 콘텐츠를 포함하거나 제외할 수 있습니다. 필터를 적용할 수 있는 콘텐츠 유형 목록은 [Amazon Bedrock 설명서](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector)의 *포함/제외 필터를* 참조하세요.
  + **증분 동기화** - 콘텐츠 변경 사항이 추적되고 마지막 동기화 이후 변경된 콘텐츠만 크롤링됩니다.
  + **OAuth 2.0 인증** - 인증 자격 증명이에 저장됩니다 AWS Secrets Manager.
+ [웹 크롤러](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html) - Amazon Bedrock 웹 크롤러는 사용자가 제공하는 URLs. 다음 기능이 지원됩니다.
  + 크롤링할 여러 URL을 선택합니다.
  + `Allow` 및와 같은 표준 robots.txt 지시문을 준수합니다. `Disallow` 
  + 패턴과 일치하는 URLs 제외
  + 크롤링 속도 제한
  + Amazon CloudWatch에서 크롤링된 각 URL의 상태를 확인합니다.

Amazon Bedrock 지식 기반에 연결할 수 있는 데이터 소스에 대한 자세한 내용은 [지식 기반용 데이터 소스 커넥터 생성을 참조하세요](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).

## 지식 기반을 위한 벡터 데이터베이스
<a name="rag-fully-managed-bedrock-vector-stores"></a>

지식 기반과 데이터 소스 간의 연결을 설정할 때 벡터 스토어라고도 하는 *벡터* 데이터베이스를 구성해야 합니다. 벡터 데이터베이스는 Amazon Bedrock이 데이터를 나타내는 임베딩을 저장, 업데이트 및 관리하는 곳입니다. 각 데이터 소스는 다양한 유형의 벡터 데이터베이스를 지원합니다. 데이터 소스에 사용할 수 있는 벡터 데이터베이스를 확인하려면 [데이터 소스 유형을](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html) 참조하세요.

Amazon Bedrock이 Amazon OpenSearch Serverless에서 벡터 데이터베이스를 자동으로 생성하도록 하려면 지식 기반을 생성할 때이 옵션을 선택할 수 있습니다. 그러나 자체 벡터 데이터베이스를 설정하도록 선택할 수도 있습니다. 자체 벡터 데이터베이스를 설정하는 경우 [지식 기반에 대한 자체 벡터 저장소의 사전 조건을 참조하세요](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html). 각 벡터 데이터베이스 유형에는 자체 사전 조건이 있습니다.

데이터 소스 유형에 따라 Amazon Bedrock 지식 기반은 다음 벡터 데이터베이스를 지원합니다.
+ [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)(Pinecone 설명서)
+ [https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/](https://docs.redis.com/latest/rc/cloud-integrations/aws-marketplace/aws-bedrock/)(Redis 설명서)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock)(MongoDB 설명서)

# Amazon Q Business
<a name="rag-fully-managed-q-business"></a>

[Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html)는 질문에 답변하고, 요약을 제공하고, 콘텐츠를 생성하고, 엔터프라이즈 데이터를 기반으로 작업을 완료하도록 구성할 수 있는 완전 관리형 생성형 AI 기반 어시스턴트입니다. 이를 통해 최종 사용자는 인용을 사용하여 엔터프라이즈 데이터 소스로부터 권한 인식 응답을 즉시 받을 수 있습니다.

## 주요 기능
<a name="rag-fully-managed-q-business-features"></a>

Amazon Q Business의 다음 기능은 프로덕션급 RAG 기반 생성형 AI 애플리케이션을 구축하는 데 도움이 될 수 있습니다.
+ **내장 커넥터** - Amazon Q Business는 , Adobe Experience Manager (AEM), 및 용 커넥터와 같은 40개 이상의 커넥터 유형을 지원합니다SalesforceJiraMicrosoft SharePoint. 전체 목록은 [지원되는 커넥터를 참조하세요](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). 지원되지 않는 커넥터가 필요한 경우 [Amazon AppFlow](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html)를 사용하여 데이터 소스에서 Amazon Simple Storage Service(Amazon S3)로 데이터를 가져온 다음 Amazon Q Business를 Amazon S3 버킷에 연결할 수 있습니다. Amazon AppFlow에서 지원하는 데이터 소스의 전체 목록은 [지원되는 애플리케이션을 참조하세요](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **기본 제공 인덱싱 파이프라인** - Amazon Q Business는 벡터 데이터베이스의 데이터를 인덱싱하기 위한 기본 제공 파이프라인을 제공합니다. AWS Lambda 함수를 사용하여 인덱싱 파이프라인에 대한 사전 처리 로직을 추가할 수 있습니다.
+ **인덱스 옵션** - Amazon Q Business에서 네이티브 인덱스를 생성하고 프로비저닝할 수 있으며 Amazon Q Business 리트리버를 사용하여 해당 인덱스에서 데이터를 가져올 수 있습니다. 또는 미리 구성된 Amazon Kendra 인덱스를 리트리버로 사용할 수 있습니다. 자세한 내용은 [Amazon Q Business 애플리케이션을 위한 리트리버 생성을 참조하세요](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html).
+ **파운데이션 모델** - Amazon Q Business는 Amazon Bedrock에서 지원되는 파운데이션 모델을 사용합니다. 전체 목록은 [Amazon Bedrock에서 지원되는 파운데이션 모델을 참조하세요](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **플러그인** - Amazon Q Business는에서 티켓 정보 및 티켓 생성을 요약하는 자동화된 방법과 같이 플러그인을 사용하여 대상 시스템과 통합할 수 있는 기능을 제공합니다Jira. 플러그인이 구성되면 플러그인은 최종 사용자 생산성을 높이는 데 도움이 되는 읽기 및 쓰기 작업을 지원할 수 있습니다. Amazon Q Business는 [내장 플러그인](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html)과 [사용자 지정 플러그인이라는 두 가지 유형의 플러그인을](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html) 지원합니다.
+ **가드레일** - Amazon Q Business는 글로벌 제어 및 주제 수준 제어를 지원합니다. 예를 들어 이러한 제어는 프롬프트에서 개인 식별 정보(PII), 침해 또는 민감한 정보를 탐지할 수 있습니다. 자세한 내용은 [Amazon Q Business의 관리자 제어 및 가드레일을 참조하세요](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **자격 증명 관리** - Amazon Q Business를 사용하면 RAG 기반 생성형 AI 애플리케이션에 대한 사용자 및 사용자의 액세스를 관리할 수 있습니다. 자세한 내용은 [Amazon Q Business의 자격 증명 및 액세스 관리를](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html) 참조하세요. 또한 Amazon Q Business 커넥터는 문서 자체와 함께 문서에 연결된 액세스 제어 목록(ACL) 정보를 인덱싱합니다. 그런 다음 Amazon Q Business는 Amazon Q Business 사용자 스토어에 인덱싱한 ACL 정보를 저장하여 사용자 및 그룹 매핑을 생성하고 최종 사용자의 문서 액세스를 기반으로 채팅 응답을 필터링합니다. 자세한 내용은 [데이터 소스 커넥터 개념](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html)을 참조하세요.
+ **문서 보강** - 문서 보강 기능을 사용하면 인덱스에 수집되는 **** 문서 및 문서 속성과 수집 **방식을** 모두 제어할 수 있습니다. 이는 두 가지 접근 방식을 통해 수행할 수 있습니다.
  + **기본 작업 구성 **- 기본 작업을 사용하여 데이터에서 문서 속성을 추가, 업데이트 또는 삭제합니다. 예를 들어 PII와 관련된 문서 속성을 삭제하도록 선택하여 PII 데이터를 스크러빙할 수 있습니다.
  + **Lambda 함수 구성 **- 사전 구성된 Lambda 함수를 사용하여 데이터에 대해 보다 사용자 지정된 고급 문서 속성 조작 로직을 수행합니다. 예를 들어, 엔터프라이즈 데이터는 스캔된 이미지로 저장될 수 있습니다. 이 경우 Lambda 함수를 사용하여 스캔한 문서에서 광학 문자 인식(OCR)을 실행하여 해당 문서에서 텍스트를 추출할 수 있습니다. 그 후 스캔한 각 문서는 수집 중에 텍스트 문서로 처리됩니다. 마지막으로 채팅 중에 Amazon Q는 응답을 생성할 때 스캔한 문서에서 추출한 텍스트 데이터를 고려합니다.

  솔루션을 구현할 때 두 문서 보강 접근 방식을 모두 결합하도록 선택할 수 있습니다. 기본 작업을 사용하여 데이터의 첫 번째 구문 분석을 수행한 다음 Lambda 함수를 사용하여 더 복잡한 작업을 수행할 수 있습니다. 자세한 내용은 [Amazon Q Business의 문서 보강](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html)을 참조하세요.
+ **통합** - Amazon Q Business 애플리케이션을 생성한 후 Slack 또는와 같은 다른 애플리케이션에 통합할 수 있습니다Microsoft Teams. 예를 들어 [Amazon Q BusinessforAmazon Slack 게이트웨이 배포](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) 및 [Amazon Q Business용 Microsoft Teams 게이트웨이 배포](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/)(AWS 블로그 게시물)를 참조하세요.

## 최종 사용자 사용자 지정
<a name="rag-fully-managed-q-business-customization"></a>

Amazon Q Business는 조직의 데이터 소스 및 인덱스에 저장되지 않을 수 있는 문서 업로드를 지원합니다. 업로드된 문서는 저장되지 않습니다. 문서가 업로드되는 대화에만 사용할 수 있습니다. Amazon Q Business는 업로드를 위한 특정 문서 유형을 지원합니다. 자세한 내용은 [Amazon Q Business에서 파일 및 채팅 업로드](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html)를 참조하세요.

Amazon Q Business에는 [문서 속성별 필터링](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html) 기능이 포함되어 있습니다. 관리자와 최종 사용자 모두이 기능을 사용할 수 있습니다. 관리자는 속성을 사용하여 최종 사용자의 채팅 응답을 사용자 지정하고 제어할 수 있습니다. 예를 들어, 데이터 소스 유형이 문서에 연결된 속성인 경우 채팅 응답을 특정 데이터 소스에서만 생성하도록 지정할 수 있습니다. 또는 최종 사용자가 선택한 속성 필터를 사용하여 채팅 응답 범위를 제한하도록 허용할 수 있습니다.

최종 사용자는 광범위한 [Amazon Q Business 애플리케이션 환경 내에서 특별히 구축된 경량 Amazon Q Apps](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html)를 생성할 수 있습니다. Amazon Q 앱을 사용하면 마케팅 팀을 위해 특별히 구축된 앱과 같은 특정 도메인에 대한 태스크 자동화를 수행할 수 있습니다.

# Amazon SageMaker AI Canvas
<a name="rag-fully-managed-sagemaker-canvas"></a>

[Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)를 사용하면 코드를 작성할 필요 없이 기계 학습을 사용하여 예측을 생성할 수 있습니다. 통합 환경에서 end-to-end ML 수명 주기를 간소화하여 데이터를 준비하고 ML 모델을 빌드 및 배포할 수 있는 코드 없는 시각적 인터페이스를 제공합니다. 데이터 준비, 모델 개발, 편향 감지, 설명 가능성 및 모니터링의 복잡성은 직관적인 인터페이스 뒤에서 추상화됩니다. 사용자는 SageMaker AI Canvas를 사용하여 모델을 개발, 운영 및 모니터링하기 위해 SageMaker AI 또는 기계 학습 운영(MLOps) 전문가가 될 필요가 없습니다.

SageMaker AI Canvas를 사용하면 코드 없는 문서 쿼리 기능을 통해 RAG 기능이 제공됩니다. Amazon Kendra 인덱스를 기본 엔터프라이즈 검색으로 사용하여 SageMaker AI Canvas에서 채팅 환경을 강화할 수 있습니다. 자세한 내용은 [문서 쿼리를 사용하여 문서에서 정보 추출을 참조하세요](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html).

SageMaker AI Canvas를 Amazon Kendra 인덱스에 연결하려면 일회성 설정이 필요합니다. 도메인 구성의 일부로 클라우드 관리자는 사용자가 SageMaker Canvas와 상호 작용할 때 쿼리할 수 있는 Kendra 인덱스를 하나 이상 선택할 수 있습니다. 문서 쿼리 기능을 활성화하는 방법에 대한 지침은 [ Amazon SageMaker AI Canvas 사용 시작하기](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html)를 참조하세요.

SageMaker AI Canvas는 Amazon Kendra와 선택한 파운데이션 모델 간의 기본 통신을 관리합니다. SageMaker AI Canvas가 지원하는 파운데이션 모델에 대한 자세한 내용은 [ SageMaker AI Canvas의 생성형 AI 파운데이션 모델을](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) 참조하세요. 다음 다이어그램은 클라우드 관리자가 SageMaker AI Canvas를 Amazon Kendra 인덱스에 연결한 후 문서 쿼리 기능이 작동하는 방식을 보여줍니다.



![\[Amazon SageMaker AI Canvas의 문서 쿼리 기능을 위한 워크플로입니다.\]](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)


이 다이어그램은 다음 워크플로를 보여줍니다.

1. 사용자가 SageMaker AI Canvas에서 새 채팅을 시작하고**, 문서 쿼리**를 켜고, 대상 인덱스를 선택한 다음 질문을 제출합니다.

1. SageMaker AI Canvas는 쿼리를 사용하여 Amazon Kendra 인덱스에서 관련 데이터를 검색합니다.

1. SageMaker AI Canvas는 Amazon Kendra 인덱스에서 데이터와 해당 소스를 검색합니다.

1. SageMaker AI Canvas는 Amazon Kendra 인덱스에서 검색된 컨텍스트를 포함하도록 프롬프트를 업데이트하고 파운데이션 모델에 프롬프트를 제출합니다.

1. 파운데이션 모델은 원래 질문과 검색된 컨텍스트를 사용하여 답변을 생성합니다.

1. SageMaker AI Canvas는 사용자에게 생성된 답변을 제공합니다. 여기에는 응답을 생성하는 데 사용된 문서와 같은 데이터 소스에 대한 참조가 포함됩니다.