기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
결론 및 리소스
생성형 AI를 대규모로 성공적으로 채택하려면 강력한 모델 이상의 것이 필요합니다. AI 시스템이 안정적이고 안전하며 비즈니스 목표에 부합하도록 하는 데이터 우선 접근 방식이 필요합니다. 데이터 자산을 사전에 평가, 구조화 및 관리하는 기업은 실험에서 대규모 AI 혁신으로 더 빠르고 자신 있게 전환할 수 있기 때문에 경쟁 우위를 얻게 됩니다.
조직이 AI를 워크플로에 더 깊이 통합함에 따라 책임 있는 AI 채택도 우선시해야 합니다. 데이터 수명 주기의 모든 단계에 거버넌스, 규정 준수 및 보안을 포함합니다. 편향, 데이터 유출 및 적대적 공격과 같은 위험을 완화하려면 엄격한 액세스 제어를 적용하고, 규제 요구 사항에 부합하며, 윤리적 보호 조치를 구현하는 것이 중요합니다. 이 진화하는 AI 환경에서는 데이터를 입력뿐만 아니라 전략적 자산으로 취급하는 사람들이 생성형 AI의 잠재력을 최대한 활용할 수 있는 가장 좋은 위치에 있습니다.
리소스
AWS 설명서
-
RAG 사용 사례를 위한 AWS 벡터 데이터베이스 선택(AWS 권장 가이드)
-
일반적인 프롬프트 주입 공격(AWS 처방 지침)
-
데이터 보호(Amazon Bedrock 설명서)
-
Amazon Bedrock 리소스의 성능 평가(Amazon Bedrock 설명서)
-
에서 생성형 AI를 채택하기 위한 성숙도 모델 AWS(AWS 권장 가이드)
-
MLSEC-10: 데이터 중독 위협으로부터 보호(AWS Well-Architected Framework)
-
프롬프트 엔지니어링 개념(Amazon Bedrock 설명서)
-
의 Augmented Generation 옵션 및 아키텍처 검색 AWS(AWS 권고 가이드)
-
Amazon Bedrock 지식 기반을 사용하여 데이터 검색 및 AI 응답 생성(Amazon Bedrock 설명서)
기타 AWS 리소스
-
AWS Glue Data Quality, 민감한 데이터 감지 및 (블로그 게시물)를 통한 자동화된 데이터 거버넌스 AWS Lake Formation
AWS -
미세 조정 및 지속적인 사전 훈련을 사용하여 Amazon Bedrock에서 자체 데이터로 모델 사용자 지정
(AWS 블로그 게시물) -
Amazon Bedrock에서 자체 일관성 프롬프트를 사용하여 생성형 언어 모델의 성능 향상
(AWS 블로그 게시물) -
Amazon SageMaker에서 RLHF를 사용하여 LLMs 개선
(AWS 블로그 게시물) -
(AWS 솔루션 라이브러리)에 대한 챗봇 사용자 피드백 및 분석 지침 AWS
-
생성형 AI 보안
(AWS 웹 사이트)
기타 리소스
-
LLM 애플리케이션 2025용 OWASP 상위 10
개(OWASP 웹 사이트) -
테이블에서 찾은 정보에서 대규모 언어 모델의 제한 사항 발견
(Cornell University의 Arxiv 연구)