As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Opções de geração aumentada de recuperação totalmente gerenciadas em AWS
Para gerenciar fluxos de trabalho de Retrieval Augmented Generation (RAG) AWS, você pode usar pipelines RAG personalizados ou usar alguns dos recursos de serviços totalmente gerenciados que oferece. AWS Como incluem muitos dos principais componentes de um sistema baseado em RAG, os serviços totalmente gerenciados podem ajudá-lo a gerenciar parte do trabalho pesado indiferenciado. No entanto, esses serviços oferecem menos oportunidades de personalização.
O totalmente gerenciado Serviços da AWS usa conectores para ingerir dados de fontes de dados externas, como sites, Atlassian Confluence ou Microsoft. SharePoint As fontes de dados suportadas variam de acordo com AWS service (Serviço da AWS).
Esta seção explora as seguintes opções totalmente gerenciadas para criar fluxos de trabalho do RAG em: AWS
+ [Bases de Conhecimento para 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 obter mais informações sobre como escolher entre essas opções, consulte [Escolhendo uma opção de geração aumentada de recuperação em AWS](choosing-option.md) este guia.
# Bases de Conhecimento para Amazon Bedrock
[O Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) é um serviço totalmente gerenciado que disponibiliza modelos básicos de alto desempenho (FMs) das principais startups de IA e da Amazon para seu uso por meio de uma API unificada. [As bases de conhecimento](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) são um recurso do Amazon Bedrock que ajuda você a implementar todo o fluxo de trabalho do RAG, desde a ingestão até a recuperação e o aumento imediato. Não há necessidade de criar integrações personalizadas com fontes de dados ou gerenciar fluxos de dados. O gerenciamento do contexto da sessão é incorporado para que seu aplicativo generativo de IA possa suportar prontamente conversas em vários turnos.
Depois de especificar a localização dos seus dados, as bases de conhecimento do Amazon Bedrock buscam internamente os documentos, os fragmentam em blocos de texto, convertem o texto em incorporações e, em seguida, armazenam as incorporações no banco de dados vetorial de sua escolha. O Amazon Bedrock gerencia e atualiza as incorporações, mantendo o banco de dados vetoriais sincronizado com os dados. Para obter mais informações sobre como as bases de conhecimento funcionam, consulte [Como funcionam as bases de conhecimento Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html).
Se você adicionar bases de conhecimento a um agente do Amazon Bedrock, o agente identificará a base de conhecimento apropriada com base na entrada do usuário. O agente recupera as informações relevantes e as adiciona ao prompt de entrada. O prompt atualizado fornece ao modelo mais informações de contexto para gerar uma resposta. Para melhorar a transparência e minimizar as alucinações, as informações recuperadas da base de conhecimento podem ser rastreadas até sua fonte.
![\[O agente Amazon Bedrock recupera informações da base de conhecimento e as passa para o LLM.\]](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-knowledge-base.png)
O Amazon Bedrock oferece suporte aos dois seguintes APIs para RAG:
+ [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)— Você pode usar essa API para consultar sua base de conhecimento e gerar respostas a partir das informações que ela recupera. Internamente, o Amazon Bedrock converte as consultas em incorporações, consulta a base de conhecimento, aumenta a solicitação com os resultados da pesquisa como informações de contexto e retorna a resposta gerada pelo LLM. O Amazon Bedrock também gerencia a memória de curto prazo da conversa para fornecer resultados mais contextuais.
+ [Recuperar](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) — Você pode usar essa API para consultar sua base de conhecimento com informações recuperadas diretamente da base de conhecimento. Você pode usar as informações retornadas dessa API para processar o texto recuperado, avaliar sua relevância ou desenvolver um fluxo de trabalho separado para geração de respostas. Internamente, o Amazon Bedrock converte as consultas em incorporações, pesquisa na base de conhecimento e retorna os resultados relevantes. Você pode criar fluxos de trabalho adicionais com base nos resultados da pesquisa. Por exemplo, você pode usar o [https://python.langchain.com/docs/integrations/retrievers/bedrock/](https://python.langchain.com/docs/integrations/retrievers/bedrock/)`AmazonKnowledgeBasesRetriever`plug-in para integrar fluxos de trabalho do RAG em aplicativos generativos de IA.
Para exemplos de padrões arquitetônicos e step-by-step instruções de uso do APIs, consulte O [Knowledge Bases agora oferece uma experiência RAG totalmente gerenciada no Amazon Bedrock](https://aws.amazon.com/blogs/aws/knowledge-bases-now-delivers-fully-managed-rag-experience-in-amazon-bedrock/) (postagem no AWS blog). Para obter mais informações sobre como usar a `RetrieveAndGenerate` API para criar um fluxo de trabalho RAG para um aplicativo inteligente baseado em bate-papo, consulte [Criar um aplicativo de chatbot contextual usando o Amazon Bedrock Knowledge](https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/) Bases (postagem no blog).AWS
## Fontes de dados para bases de conhecimento
É possível conectar os dados proprietários a uma base de conhecimento. Depois de configurar um conector de fonte de dados, você pode sincronizar ou manter seus dados atualizados com sua base de conhecimento e disponibilizá-los para consulta. As bases de conhecimento do Amazon Bedrock oferecem suporte a conexões com as seguintes fontes de dados:
+ [Amazon Simple Storage Service (Amazon S3](https://docs.aws.amazon.com/bedrock/latest/userguide/s3-data-source-connector.html)) — Você pode conectar um bucket do Amazon S3 a uma base de conhecimento do Amazon Bedrock usando o console ou a API. A base de conhecimento ingere e indexa os arquivos no bucket. Esse tipo de fonte de dados oferece suporte aos seguintes recursos:
+ **Campos de metadados do documento** — Você pode incluir um arquivo separado para especificar os metadados dos arquivos no bucket do Amazon S3. Em seguida, você pode usar esses campos de metadados para filtrar e melhorar a relevância das respostas.
+ **Filtros de inclusão ou exclusão** — você pode incluir ou excluir determinados conteúdos durante o rastreamento.
+ **Sincronização incremental** — As alterações do conteúdo são monitoradas e somente o conteúdo que foi alterado desde a última sincronização é rastreado.
+ [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)— Você pode conectar uma Atlassian Confluence instância a uma base de conhecimento do Amazon Bedrock usando o console ou a API. Esse tipo de fonte de dados oferece suporte aos seguintes recursos:
+ **Detecção automática dos campos do documento principal** — Os campos de metadados são detectados e rastreados automaticamente. Você pode usar esses campos para filtragem.
+ **Filtros de conteúdo de inclusão ou exclusão** — Você pode incluir ou excluir determinados conteúdos usando um prefixo ou um padrão de expressão regular no espaço, título da página, título do blog, comentário, nome do anexo ou extensão.
+ **Sincronização incremental** - As alterações do conteúdo são monitoradas e somente o conteúdo que foi alterado desde a última sincronização é rastreado.
+ **OAuth Autenticação 2.0, autenticação com token de Confluence API** — As credenciais de autenticação são armazenadas em 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)— Você pode conectar uma SharePoint instância a uma base de conhecimento usando o console ou a API. Esse tipo de fonte de dados oferece suporte aos seguintes recursos:
+ **Detecção automática dos campos do documento principal** — Os campos de metadados são detectados e rastreados automaticamente. Você pode usar esses campos para filtragem.
+ **Filtros de conteúdo de inclusão ou exclusão** — Você pode incluir ou excluir determinado conteúdo usando um prefixo ou um padrão de expressão regular no título da página principal, no nome do evento e no nome do arquivo (incluindo sua extensão).
+ **Sincronização incremental** - As alterações do conteúdo são monitoradas e somente o conteúdo que foi alterado desde a última sincronização é rastreado.
+ **OAuth Autenticação 2.0** — As credenciais de autenticação são armazenadas em 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)— Você pode conectar uma Salesforce instância a uma base de conhecimento usando o console ou a API. Esse tipo de fonte de dados oferece suporte aos seguintes recursos:
+ **Detecção automática dos campos do documento principal** — Os campos de metadados são detectados e rastreados automaticamente. Você pode usar esses campos para filtragem.
+ **Filtros de conteúdo de inclusão ou exclusão** — Você pode incluir ou excluir determinado conteúdo usando um prefixo ou um padrão de expressão regular. [Para obter uma lista dos tipos de conteúdo aos quais você pode aplicar filtros, consulte Filtros de *inclusão/exclusão na* documentação do Amazon Bedrock.](https://docs.aws.amazon.com/bedrock/latest/userguide/salesforce-data-source-connector.html#configuration-salesforce-connector)
+ **Sincronização incremental** — As alterações do conteúdo são monitoradas e somente o conteúdo que foi alterado desde a última sincronização é rastreado.
+ **OAuth Autenticação 2.0** — As credenciais de autenticação são armazenadas em AWS Secrets Manager.
+ [Web Crawler](https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html) — Um Amazon Bedrock Web Crawler se conecta e rastreia o que você fornece. URLs Os seguintes atributos são compatíveis:
+ Selecione vários URLs para rastrear
+ Respeite as diretivas padrão do robots.txt, como e `Allow` `Disallow`
+ Exclua URLs que correspondam a um padrão
+ Limite a taxa de rastreamento
+ Na Amazon CloudWatch, veja o status de cada URL rastreado
Para obter mais informações sobre as fontes de dados que você pode conectar à sua base de conhecimento Amazon Bedrock, consulte [Criar um conector de fonte de dados para sua base de conhecimento](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
## Bancos de dados vetoriais para bases de conhecimento
Ao configurar uma conexão entre a base de conhecimento e a fonte de dados, você deve configurar um banco de dados vetorial, também conhecido como *armazenamento vetorial*. Um banco de dados vetoriais é onde o Amazon Bedrock armazena, atualiza e gerencia as incorporações que representam seus dados. Cada fonte de dados oferece suporte a diferentes tipos de banco de dados vetoriais. Para determinar quais bancos de dados vetoriais estão disponíveis para sua fonte de dados, consulte os [tipos de fonte de dados](https://docs.aws.amazon.com/bedrock/latest/userguide/data-source-connectors.html).
Se você preferir que o Amazon Bedrock crie automaticamente um banco de dados vetoriais no Amazon OpenSearch Serverless para você, você pode escolher essa opção ao criar a base de conhecimento. No entanto, você também pode optar por configurar seu próprio banco de dados vetoriais. Se você configurar seu próprio banco de dados vetoriais, consulte [Pré-requisitos para seu próprio armazenamento de vetores para obter uma base de conhecimento](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html). Cada tipo de banco de dados vetorial tem seus próprios pré-requisitos.
Dependendo do tipo de fonte de dados, as bases de conhecimento do Amazon Bedrock oferecem suporte aos seguintes bancos de dados vetoriais:
+ [Amazon sem OpenSearch servidor](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-vector-search.html)
+ [Amazon Aurora Edição Compatível com 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) (documentação da 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/) (documentação da Redis)
+ [https://dochub.mongodb.org/core/amazon-bedrock](https://dochub.mongodb.org/core/amazon-bedrock) (documentação da MongoDB)
# Amazon Q Business
O [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) é um assistente totalmente gerenciado com inteligência artificial generativa que você pode configurar para responder perguntas, fornecer resumos, gerar conteúdo e concluir tarefas com base nos dados da sua empresa. Ele permite que os usuários finais recebam respostas imediatas e com reconhecimento de permissões de fontes de dados corporativas com citações.
## Recursos principais do
Os seguintes recursos do Amazon Q Business podem ajudar você a criar um aplicativo de IA generativa baseado em RAG de nível de produção:
+ **Conectores integrados** — O Amazon Q Business suporta mais de 40 tipos de conectores, como conectores paraAdobe Experience Manager (AEM),Salesforce, e. Jira Microsoft SharePoint Para obter uma lista completa, consulte [Conectores compatíveis](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connectors-list.html). Se precisar de um conector que não seja suportado, você pode usar AppFlow a [Amazon](https://docs.aws.amazon.com/appflow/latest/userguide/what-is-appflow.html) para extrair dados da sua fonte de dados para o Amazon Simple Storage Service (Amazon S3) e, em seguida, conectar o Amazon Q Business ao bucket do Amazon S3. Para obter uma lista completa das fontes de dados AppFlow suportadas pela Amazon, consulte [Aplicativos compatíveis](https://docs.aws.amazon.com/appflow/latest/userguide/app-specific.html).
+ **Pipelines de indexação incorporados** — O Amazon Q Business fornece um pipeline integrado para indexar dados em um banco de dados vetorial. Você pode usar uma AWS Lambda função para adicionar lógica de pré-processamento ao seu pipeline de indexação.
+ **Opções de índice** — Você pode criar e provisionar um índice nativo no Amazon Q Business e usar um Amazon Q Business retriever para extrair dados desse índice. Como alternativa, você pode usar um índice pré-configurado do Amazon Kendra como recuperador. Para obter mais informações, consulte [Criação de um recuperador para um aplicativo Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/select-retriever.html).
+ **Modelos básicos** — O Amazon Q Business usa os modelos básicos que são compatíveis com o Amazon Bedrock. Para obter uma lista completa, consulte [Modelos de fundação compatíveis no Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
+ **Plug-ins** — O Amazon Q Business fornece a capacidade de usar plug-ins para integração com sistemas de destino, como uma forma automatizada de resumir as informações e a criação de tíquetes emJira. Depois de configurados, os plug-ins podem comportar ações de leitura e de gravação que podem ajudar a otimizar a produtividade do usuário final. O Amazon Q Business oferece suporte a dois tipos de plug-ins: [plug-ins integrados](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/built-in-plugin.html) e [plug-ins personalizados](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-plugin.html).
+ **Guardrails** — O Amazon Q Business oferece suporte a controles globais e controles em nível de tópico. Por exemplo, esses controles podem detectar informações de identificação pessoal (PII), abuso ou informações confidenciais em avisos. Para obter mais informações, consulte [Controles administrativos e proteções no Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/guardrails.html).
+ **Gerenciamento de identidade** — Com o Amazon Q Business, você pode gerenciar usuários e seu acesso ao aplicativo de IA generativa baseado em RAG. Para obter mais informações, consulte [Gerenciamento de identidade e acesso para o Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/security-iam.html). Além disso, os conectores Amazon Q Business indexam as informações da lista de controle de acesso (ACL) anexadas a um documento junto com o próprio documento. Em seguida, o Amazon Q Business armazena as informações de ACL que indexa no Amazon Q Business User Store para criar mapeamentos de usuários e grupos e filtrar respostas de bate-papo com base no acesso do usuário final aos documentos. Para obter mais informações, consulte [Conceitos do conector de fonte de dados](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/connector-concepts.html).
+ **Enriquecimento de** documentos — O recurso de enriquecimento de documentos ajuda você a controlar **quais** documentos e atributos do documento são ingeridos em seu índice e também **como** são ingeridos. Isso pode ser feito por meio de duas abordagens:
+ **Configurar operações básicas** — Use operações básicas para adicionar, atualizar ou excluir atributos do documento de seus dados. Por exemplo, você pode limpar dados de PII optando por excluir quaisquer atributos do documento relacionados às PII.
+ **Configurar funções Lambda** — Use uma função Lambda pré-configurada para executar uma lógica de manipulação de atributos de documentos mais personalizada e avançada em seus dados. Por exemplo, os dados empresariais podem ser armazenados como imagens digitalizadas. Nesse caso, você pode usar uma função Lambda para executar o reconhecimento óptico de caracteres (OCR) nos documentos digitalizados para extrair texto deles. Depois, cada documento digitalizado é tratado como um documento de texto durante a ingestão. Por fim, durante o bate-papo, o Amazon Q fatorará os dados textuais extraídos dos documentos digitalizados ao gerar respostas.
Ao implementar sua solução, você pode optar por combinar as duas abordagens de enriquecimento de documentos. Você pode usar operações básicas para fazer uma primeira análise de seus dados e depois usar uma função Lambda para operações mais complexas. Para obter mais informações, consulte [Enriquecimento de documentos no Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/custom-document-enrichment.html).
+ **Integração** — Depois de criar seu aplicativo Amazon Q Business, você pode integrá-lo a outros aplicativos, como Slack ouMicrosoft Teams. Por exemplo, consulte [Implantar um Slack gateway para o Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-slack-gateway-for-amazon-q-your-business-expert/) e [Implantar um Microsoft Teams gateway para o Amazon Q Business](https://aws.amazon.com/blogs/machine-learning/deploy-a-microsoft-teams-gateway-for-amazon-q-your-business-expert/) (postagens AWS no blog).
## Personalização do usuário final
O Amazon Q Business suporta o upload de documentos que podem não estar armazenados nas fontes de dados e no índice da sua organização. Os documentos enviados não são armazenados. Eles estão disponíveis para uso somente na conversa na qual os documentos são carregados. O Amazon Q Business oferece suporte a tipos específicos de documentos para upload. Para obter mais informações, consulte [Carregar arquivos e conversar no Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/upload-chat-files.html).
O Amazon Q Business inclui um recurso de [filtragem por atributo de documento](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/metadata-filtering.html). Tanto administradores quanto usuários finais podem usar esse recurso. Os administradores podem personalizar e controlar as respostas de bate-papo para usuários finais usando atributos. Por exemplo, se o tipo de fonte de dados for um atributo anexado aos documentos, poderá especificar as respostas de chat para que sejam geradas somente a partir de uma fonte de dados específica. Ou você pode permitir que os usuários finais restrinjam o escopo das respostas do chat usando os filtros de atributos que você selecionou.
Os usuários finais podem criar aplicativos [Amazon Q](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/purpose-built-qapps.html) leves e personalizados em seu ambiente mais amplo de aplicativos Amazon Q Business. Os aplicativos Amazon Q permitem a automação de tarefas para um domínio específico, como um aplicativo criado especificamente para a equipe de marketing.
# Amazon SageMaker AI Canvas
[O Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) ajuda você a usar o aprendizado de máquina para gerar previsões sem precisar escrever nenhum código. Ele fornece uma interface visual sem código que permite preparar dados, criar e implantar modelos de ML, simplificando o ciclo de vida do end-to-end ML em um ambiente unificado. As complexidades da preparação de dados, desenvolvimento de modelos, detecção de viés, explicabilidade e monitoramento são resumidas por trás de uma interface intuitiva. Os usuários não precisam ser especialistas em SageMaker IA ou operações de aprendizado de máquina (MLOps) para desenvolver, operacionalizar e monitorar modelos com o SageMaker AI Canvas.
Com o SageMaker AI Canvas, a funcionalidade RAG é fornecida por meio de um recurso de consulta de documentos sem código. Você pode enriquecer a experiência de bate-papo no SageMaker AI Canvas usando um índice da Amazon Kendra como a pesquisa corporativa subjacente. Para obter mais informações, consulte [Extrair informações de documentos com a consulta de documentos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-query.html).
Conectar o SageMaker AI Canvas ao índice Amazon Kendra requer uma configuração única. Como parte da configuração do domínio, um administrador de nuvem pode escolher um ou mais índices Kendra que o usuário pode consultar ao interagir com o Canvas. SageMaker Para obter instruções sobre como ativar o recurso de consulta de documentos, consulte [Introdução ao uso do Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html).
SageMaker O AI Canvas gerencia a comunicação subjacente entre a Amazon Kendra e o modelo de fundação selecionado. Para obter mais informações sobre os modelos básicos que o SageMaker AI Canvas suporta, consulte [Modelos básicos de IA generativos no SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html). O diagrama a seguir mostra como o recurso de consulta de documentos funciona depois que o administrador da nuvem conecta o SageMaker AI Canvas a um índice da Amazon Kendra.
![\[Fluxo de trabalho para o recurso de consulta de documentos no Amazon SageMaker AI Canvas.\]](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/retrieval-augmented-generation-options/images/architecture-sagemaker-canvas-document-querying.png)
O diagrama mostra o seguinte fluxo de trabalho:
1. O usuário inicia um novo bate-papo no SageMaker AI Canvas, ativa **os documentos do Query**, seleciona o índice de destino e, em seguida, envia uma pergunta.
1. SageMaker O AI Canvas usa a consulta para pesquisar dados relevantes no índice Amazon Kendra.
1. SageMaker O AI Canvas recupera os dados e suas fontes do índice Amazon Kendra.
1. SageMaker O AI Canvas atualiza a solicitação para incluir o contexto recuperado do índice Amazon Kendra e envia a solicitação para o modelo básico.
1. O modelo básico usa a pergunta original e o contexto recuperado para gerar uma resposta.
1. SageMaker O AI Canvas fornece a resposta gerada ao usuário. Ela inclui referências às fontes de dados, como documentos, que foram usadas para gerar a resposta.