本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
结论和资源
成功大规模采用生成式 AI 需要的不仅仅是强大的模型。它需要一种数据优先的方法，确保人工智能系统可靠、安全且与业务目标保持一致。主动评估、构建和管理其数据资产的企业可以获得竞争优势，因为他们可以更快、更自信地从实验转变为全面的人工智能转型。
随着组织将人工智能更深入地集成到其工作流程中，他们还必须优先考虑负责任的人工智能采用。将治理、合规性和安全性嵌入数据生命周期的每个阶段。应用严格的访问控制、与监管要求保持一致并实施道德保障措施对于降低偏见、数据泄露和对抗性攻击等风险至关重要。在这个不断演变的人工智能格局中，那些不仅将数据视为输入，而且将其视为战略资产的人最有能力释放生成式人工智能的全部潜力。
资源
AWS 文档
-
为 RAG 用例选择 AWS 矢量数据库（AWS 规范性指导）
-
常见的提示注射攻击（AWS 规范性指导）
-
数据保护（亚马逊 Bedrock 文档）
-
评估亚马逊 Bedrock 资源的性能（亚马逊 Bedrock 文档）
-
MLSEC-10：防范数据中毒威胁（Well-Architect AWS ed Framework）
-
提示工程概念（Amazon Bedrock 文档）
-
检索增强生成选项和架构 AWS（AWS 规范性指导）
-
使用亚马逊 Bedrock 知识库检索数据并生成 AI 响应（亚马逊 Bedrock 文档）
其他 AWS 资源
-
通过数据质量、敏感 AWS Glue 数据检测和 AWS Lake Formation（AWS 博客文章）实现自动数据治理
-
通过 Amazon Bedrock 上的自一致性提示增强生成语言模型的性能
（AWS 博客文章） -
在 Amazon LLMs 上使用 RLHF 改善您的
体验 SageMaker（AWS 博客文章） -
聊天机器人用户反馈和分析指南 AWS
（AWS 解决方案库） -
保护生成式 AI
（AWS 网站）
其他资源
-
OWASP 2025 年法学硕士申请前十名
（OWASP 网站） -
揭示大型语言模型在从表格中搜索信息方面的局限性
（康奈尔大学关于 Arxiv 的研究）
