Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Fazit und Ressourcen
<a name="conclusion"></a>

Die erfolgreiche Einführung generativer KI in großem Maßstab erfordert mehr als nur leistungsstarke Modelle. Es erfordert einen datenorientierten Ansatz, der sicherstellt, dass KI-Systeme zuverlässig und sicher sind und auf die Geschäftsziele abgestimmt sind. Unternehmen, die ihre Datenbestände proaktiv bewerten, strukturieren und verwalten, verschaffen sich einen Wettbewerbsvorteil, da sie schneller und sicherer von Experimenten zur umfassenden KI-Transformation übergehen können.

Da Unternehmen KI immer stärker in ihre Arbeitsabläufe integrieren, müssen sie auch der verantwortungsvollen Einführung von KI Priorität einräumen. Integrieren Sie Governance, Compliance und Sicherheit in jede Phase des Datenlebenszyklus. Die Anwendung strenger Zugriffskontrollen, die Einhaltung gesetzlicher Anforderungen und die Implementierung ethischer Sicherheitsvorkehrungen sind entscheidend, um Risiken wie Voreingenommenheit, Datenlecks und gegnerische Angriffe zu minimieren. In dieser sich entwickelnden KI-Landschaft sind diejenigen, die Daten nicht nur als Input, sondern auch als strategischen Vermögenswert behandeln, am besten positioniert, um das volle Potenzial der generativen KI auszuschöpfen.

## Ressourcen
<a name="conclusion-resources"></a>

**AWS Dokumentation**
+ [Dokumentation zu Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html)
+ [Auswahl einer AWS Vektordatenbank für RAG-Anwendungsfälle](https://docs.aws.amazon.com/prescriptive-guidance/latest/choosing-an-aws-vector-database-for-rag-use-cases/introduction.html) (AWS Prescriptive Guidance)
+ [Häufige Prompt-Injection-Angriffe](https://docs.aws.amazon.com/prescriptive-guidance/latest/llm-prompt-engineering-best-practices/common-attacks.html) (AWS Prescriptive Guidance)
+ [Datenschutz](https://docs.aws.amazon.com/bedrock/latest/userguide/data-protection.html) (Amazon Bedrock-Dokumentation)
+ [Bewerten Sie die Leistung der Amazon Bedrock-Ressourcen](https://docs.aws.amazon.com/bedrock/latest/userguide/evaluation.html) (Amazon Bedrock-Dokumentation)
+ [Reifegradmodell für die Einführung generativer KI am AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/strategy-gen-ai-maturity-model/introduction.html) (AWS Prescriptive Guidance)
+ [MLSEC-10: Schutz vor Datenvergiftungsbedrohungen](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/mlsec-10.html) (AWS Well-Architected Framework)
+ [Schnelle technische Konzepte](https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-engineering-guidelines.html) (Amazon Bedrock-Dokumentation)
+ [Abrufen von Optionen und Architekturen für Augmented Generation auf AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/introduction.html) (AWS Prescriptive Guidance)
+ [Rufen Sie Daten ab und generieren Sie KI-Antworten mit Amazon Bedrock Knowledge Bases](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) (Amazon Bedrock-Dokumentation)

**Andere Ressourcen AWS**
+ [Automatisierte Datenverwaltung mit AWS Glue Datenqualität, Erkennung sensibler Daten und AWS Lake Formation](https://aws.amazon.com/blogs/big-data/automated-data-governance-with-aws-glue-data-quality-sensitive-data-detection-and-aws-lake-formation/) (AWS Blogbeitrag)
+ [Passen Sie Modelle in Amazon Bedrock mithilfe von Feinabstimmungen und kontinuierlicher Vorschulung mit Ihren eigenen Daten an (Blogbeitrag](https://aws.amazon.com/blogs/aws/customize-models-in-amazon-bedrock-with-your-own-data-using-fine-tuning-and-continued-pre-training/))AWS 
+ [Verbessern Sie die Leistung generativer Sprachmodelle mit Selbstkonsistenzabfragen auf Amazon Bedrock (Blogbeitrag](https://aws.amazon.com/blogs/machine-learning/enhance-performance-of-generative-language-models-with-self-consistency-prompting-on-amazon-bedrock/))AWS 
+ [Verbessern Sie Ihre LLMs mit RLHF auf Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/improving-your-llms-with-rlhf-on-amazon-sagemaker/) (AWS Blogbeitrag)
+ [Leitfaden für Feedback und Analysen von Chatbot-Benutzern zu AWS](https://aws.amazon.com/solutions/guidance/chatbot-user-feedback-and-analytics-on-aws/) (AWS Solutions Library)
+ [Sicherung generativer KI](https://aws.amazon.com/ai/generative-ai/security/) (AWS Website)

**Sonstige Ressourcen**
+ [OWASP Top 10 für LLM-Anwendungen 2025](https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/) (OWASP-Website)
+ [Aufdeckung der Grenzen umfangreicher Sprachmodelle bei der Suche nach Informationen aus Tabellen (Studie der Cornell University zu Arxiv](https://arxiv.org/abs/2406.04113))