本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
結論和資源
成功大規模採用生成式 AI 不僅需要強大的模型。它需要資料優先的方法,以確保 AI 系統可靠、安全且符合業務目標。主動評估、建構和管理其資料資產的企業會獲得競爭優勢,因為他們可以更快且自信地從實驗轉移到完整規模的 AI 轉型。
隨著組織更深入地將 AI 整合到工作流程中,他們也必須優先考慮負責任的 AI 採用。將控管、合規和安全性嵌入資料生命週期的每個階段。套用嚴格的存取控制、符合法規要求,以及實作道德防護措施,對於緩解偏差、資料外洩和對手攻擊等風險至關重要。在這個不斷發展的 AI 環境中,不僅將資料視為輸入,也視為策略資產的人,最適合釋放生成式 AI 的完整潛力。
資源
AWS 文件
-
選擇 RAG 使用案例的 AWS 向量資料庫 (AWS 規範性指導)
-
常見提示注入攻擊 (AWS 方案指引)
-
資料保護 (Amazon Bedrock 文件)
-
評估 Amazon Bedrock 資源的效能 (Amazon Bedrock 文件)
-
在 上採用生成式 AI 的成熟度模型 AWS (AWS 方案指引)
-
MLSEC-10:防止資料中毒威脅 (AWS Well-Architected Framework)
-
提示工程概念 (Amazon Bedrock 文件)
-
在 上擷取增強生成選項和架構 AWS(AWS 方案指引)
-
使用 Amazon Bedrock 知識庫擷取資料並產生 AI 回應 (Amazon Bedrock 文件)
其他 AWS 資源
-
透過 AWS Glue Data Quality、敏感資料偵測和 (部落格文章) 自動化資料控管 AWS Lake Formation
AWS -
使用微調和持續的預先訓練,使用您自己的資料在 Amazon Bedrock 中自訂模型
(AWS 部落格文章) -
在 Amazon Bedrock 上透過自我一致性提示來增強生成語言模型的效能
(AWS 部落格文章) -
在 Amazon SageMaker 上使用 RLHF 改善 LLMs
(AWS 部落格文章) -
上的聊天機器人使用者意見回饋和分析指南 AWS
(AWS 解決方案程式庫) -
保護生成式 AI
(AWS 網站)
其他資源
-
LLM 應用程式 2025 的 OWASP 前 10
名 (OWASP 網站) -
在從資料表尋找的資訊中探索大型語言模型的限制
(Cornell University on Arxiv 研究)