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

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

**AWS 文件**
+ [Amazon Q Business 文件](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html)
+ [選擇 RAG 使用案例的 AWS 向量資料庫](https://docs.aws.amazon.com/prescriptive-guidance/latest/choosing-an-aws-vector-database-for-rag-use-cases/introduction.html) (AWS 規範性指導）
+ [常見提示注入攻擊](https://docs.aws.amazon.com/prescriptive-guidance/latest/llm-prompt-engineering-best-practices/common-attacks.html) (AWS 方案指引）
+ [資料保護 ](https://docs.aws.amazon.com/bedrock/latest/userguide/data-protection.html)(Amazon Bedrock 文件）
+ [評估 Amazon Bedrock 資源的效能 ](https://docs.aws.amazon.com/bedrock/latest/userguide/evaluation.html)(Amazon Bedrock 文件）
+ [在 上採用生成式 AI 的成熟度模型 AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/strategy-gen-ai-maturity-model/introduction.html) (AWS 方案指引）
+ [MLSEC-10：防止資料中毒威脅 ](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/mlsec-10.html)(AWS Well-Architected Framework)
+ [提示工程概念](https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-engineering-guidelines.html) (Amazon Bedrock 文件）
+ [在 上擷取增強生成選項和架構 AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/introduction.html)(AWS 方案指引）
+ [使用 Amazon Bedrock 知識庫擷取資料並產生 AI 回應 ](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html)(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](https://aws.amazon.com/blogs/big-data/automated-data-governance-with-aws-glue-data-quality-sensitive-data-detection-and-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 ](https://aws.amazon.com/blogs/aws/customize-models-in-amazon-bedrock-with-your-own-data-using-fine-tuning-and-continued-pre-training/)(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 ](https://aws.amazon.com/blogs/machine-learning/enhance-performance-of-generative-language-models-with-self-consistency-prompting-on-amazon-bedrock/)(AWS 部落格文章）
+ [在 Amazon SageMaker 上使用 RLHF 改善 LLMs ](https://aws.amazon.com/blogs/machine-learning/improving-your-llms-with-rlhf-on-amazon-sagemaker/) (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](https://aws.amazon.com/solutions/guidance/chatbot-user-feedback-and-analytics-on-aws/)(AWS 解決方案程式庫）
+ [保護生成式 AI](https://aws.amazon.com/ai/generative-ai/security/) (AWS 網站）

**其他資源**
+ [LLM 應用程式 2025 的 OWASP 前 10](https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/) 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](https://arxiv.org/abs/2406.04113) (Cornell University on Arxiv 研究）