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

# 결론 및 리소스
<a name="conclusion"></a>

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

**AWS 설명서**
+ [Amazon Q Business 설명서](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html)
+ [RAG 사용 사례를 위한 AWS 벡터 데이터베이스 선택](https://docs.aws.amazon.com/prescriptive-guidance/latest/choosing-an-aws-vector-database-for-rag-use-cases/introduction.html)(AWS 권장 가이드)
+ [일반적인 프롬프트 주입 공격](https://docs.aws.amazon.com/prescriptive-guidance/latest/llm-prompt-engineering-best-practices/common-attacks.html)(AWS 처방 지침)
+ [데이터 보호](https://docs.aws.amazon.com/bedrock/latest/userguide/data-protection.html)(Amazon Bedrock 설명서)
+ [Amazon Bedrock 리소스의 성능 평가](https://docs.aws.amazon.com/bedrock/latest/userguide/evaluation.html)(Amazon Bedrock 설명서)
+ [에서 생성형 AI를 채택하기 위한 성숙도 모델 AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/strategy-gen-ai-maturity-model/introduction.html)(AWS 권장 가이드)
+ [MLSEC-10: 데이터 중독 위협으로부터 보호](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/mlsec-10.html)(AWS Well-Architected Framework)
+ [프롬프트 엔지니어링 개념](https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-engineering-guidelines.html)(Amazon Bedrock 설명서)
+ [의 Augmented Generation 옵션 및 아키텍처 검색 AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/introduction.html)(AWS 권고 가이드)
+ [Amazon Bedrock 지식 기반을 사용하여 데이터 검색 및 AI 응답 생성](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html)(Amazon Bedrock 설명서)

**기타 AWS 리소스**
+ [AWS Glue Data Quality, 민감한 데이터 감지 및 (블로그 게시물)를 통한 자동화된 데이터 거버넌스 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 
+ [미세 조정 및 지속적인 사전 훈련을 사용하여 Amazon Bedrock에서 자체 데이터로 모델 사용자 지정](https://aws.amazon.com/blogs/aws/customize-models-in-amazon-bedrock-with-your-own-data-using-fine-tuning-and-continued-pre-training/)(AWS 블로그 게시물)
+ [Amazon Bedrock에서 자체 일관성 프롬프트를 사용하여 생성형 언어 모델의 성능 향상](https://aws.amazon.com/blogs/machine-learning/enhance-performance-of-generative-language-models-with-self-consistency-prompting-on-amazon-bedrock/)(AWS 블로그 게시물)
+ [Amazon SageMaker에서 RLHF를 사용하여 LLMs 개선](https://aws.amazon.com/blogs/machine-learning/improving-your-llms-with-rlhf-on-amazon-sagemaker/)(AWS 블로그 게시물)
+ (AWS 솔루션 라이브러리)[에 대한 챗봇 사용자 피드백 및 분석 지침 AWS](https://aws.amazon.com/solutions/guidance/chatbot-user-feedback-and-analytics-on-aws/) 
+ [생성형 AI 보안](https://aws.amazon.com/ai/generative-ai/security/)(AWS 웹 사이트)

**기타 리소스**
+ [LLM 애플리케이션 2025용 OWASP 상위 10](https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/)개(OWASP 웹 사이트)
+ [테이블에서 찾은 정보에서 대규모 언어 모델의 제한 사항 발견](https://arxiv.org/abs/2406.04113)(Cornell University의 Arxiv 연구)