AWS AIP-C01 练习卷 · 第 02 套

Deploy an Amazon DynamoDB Accelerator (DAX) cluster as an in-memory cache. Specify the query text as the partition key and the model response text as the sort key. Query the cache by using a filter expression with the LIKE operator.

将 Amazon DynamoDB Accelerator (DAX) 集群部署为内存缓存。将查询文本指定为分区键，将模型响应文本指定为排序键。使用带有 LIKE 运算符的过滤表达式来查询缓存。

Amazon DynamoDB Accelerator (DAX) クラスターをメモリ内キャッシュとしてデプロイします。クエリ テキストをパーティション キーとして指定し、モデル応答テキストをソート キーとして指定します。 LIKE 演算子を含むフィルター式を使用してキャッシュをクエリします。

Use Amazon Bedrock to generate embeddings from customer queries. Use Amazon MemoryDB for Valkey to store hash sets of vector embeddings and model responses. Use a RANGE query to find similar queries and their responses.

使用 Amazon Bedrock 根据客户查询生成嵌入。使用 Amazon MemoryDB for Valkey 存储向量嵌入和模型响应的哈希集。使用 RANGE 查询查找类似的查询及其响应。

Amazon Bedrock を使用して、顧客のクエリから埋め込みを生成します。 Amazon MemoryDB for Valkey を使用して、ベクトル埋め込みとモデル応答のハッシュ セットを保存します。 RANGE クエリを使用して、類似のクエリとその応答を検索します。

Deploy Amazon OpenSearch Service that has k-nearest neighbor (k-NN) capabilities to store query-response text pairs. Use an approximate k-NN technique to find similar queries and their responses.

部署具有 k 最近邻 (k-NN) 功能的 Amazon OpenSearch Service 来存储查询-响应文本对。使用近似 k-NN 技术来查找相似的查询及其响应。

クエリと応答のテキストのペアを保存するための k 近傍 (k-NN) 機能を持つ Amazon OpenSearch Service をデプロイします。近似 k-NN 手法を使用して、類似したクエリとその応答を見つけます。

Create a caching solution by using Amazon DynamoDB to create a global secondary index on the normalized query text. Apply stemming to incoming queries. Query the index of cached customer queries.

通过使用 Amazon DynamoDB 在规范化查询文本上创建全局二级索引来创建缓存解决方案。将词干应用于传入查询。查询缓存的客户查询的索引。

Amazon DynamoDB を使用してキャッシュ ソリューションを作成し、正規化されたクエリ テキストにグローバル セカンダリ インデックスを作成します。受信クエリにステミングを適用します。キャッシュされた顧客クエリのインデックスをクエリします。

Use a Lambda function to host the MCP server. Grant the AI agent Lambda functions permission to invoke the Lambda function that hosts the MCP server. Configure the AI agent's MCP client to invoke the MCP server asynchronously.

使用 Lambda 函数托管 MCP 服务器。授予 AI 代理 Lambda 函数调用托管 MCP 服务器的 Lambda 函数的权限。配置 AI 代理的 MCP 客户端以异步调用 MCP 服务器。

Lambda 関数を使用して MCP サーバーをホストします。 AI エージェントの Lambda 関数に、MCP サーバーをホストする Lambda 関数を呼び出すアクセス許可を付与します。 MCP サーバーを非同期で呼び出すように AI エージェントの MCP クライアントを構成します。

Use a Lambda function to host the MCP server. Grant the AI agent Lambda functions permission to invoke the Lambda function that hosts the MCP server. Configure the AI agent to use the STDIO transport with the MCP server.

使用 Lambda 函数托管 MCP 服务器。授予 AI 代理 Lambda 函数调用托管 MCP 服务器的 Lambda 函数的权限。配置 AI 代理以使用 STDIO 传输与 MCP 服务器。

Lambda 関数を使用して MCP サーバーをホストします。 AI エージェントの Lambda 関数に、MCP サーバーをホストする Lambda 関数を呼び出すアクセス許可を付与します。 MCP サーバーで STDIO トランスポートを使用するように AI エージェントを構成します。

Use a Lambda function to host the MCP server. Create an Amazon API Gateway HTTP API that proxies requests to the Lambda function. Configure the AI agent solution to use the Streamable HTTP transport to make requests through the HTTP API. Use Amazon Cognito to enforce OAuth 2.1.

使用 Lambda 函数托管 MCP 服务器。创建一个 Amazon API Gateway HTTP API，将请求代理到 Lambda 函数。配置 AI 代理解决方案以使用 Streamable HTTP 传输通过 HTTP API 发出请求。使用 Amazon Cognito 强制实施 OAuth 2.1。

Lambda 関数を使用して MCP サーバーをホストします。 Lambda 関数にリクエストをプロキシする Amazon API Gateway HTTP API を作成します。 Streamable HTTP トランスポートを使用して HTTP API 経由でリクエストを行うように AI エージェント ソリューションを構成します。 Amazon Cognito を使用して OAuth 2.1 を強制します。

Use a Lambda layer to host the MCP server. Add the Lambda layer to the AI agent Lambda functions. Configure the agentic AI solution to use the STDIO transport to send requests to the MCP server. In the AI agent's MCP configuration, specify the Lambda layer ARN as the command. Specify the user credentials as environment variables.

使用 Lambda 层托管 MCP 服务器。将 Lambda 层添加到 AI 代理 Lambda 函数。配置代理 AI 解决方案以使用 STDIO 传输将请求发送到 MCP 服务器。在 AI 代理的 MCP 配置中，指定 Lambda 层 ARN 作为命令。将用户凭据指定为环境变量。

Lambda レイヤーを使用して MCP サーバーをホストします。 Lambda レイヤーを AI エージェントの Lambda 関数に追加します。 STDIO トランスポートを使用してリクエストを MCP サーバーに送信するようにエージェント AI ソリューションを構成します。 AI エージェントの MCP 設定で、Lambda レイヤーの ARN をコマンドとして指定します。ユーザー資格情報を環境変数として指定します。

Define an Amazon API Gateway REST API behind each agent. Create a second Lambda function to orchestrate the calls to the agents and the rewards Lambda function. Configure the second Lambda function with a retry/fallback mechanism.

在每个代理后面定义一个 Amazon API Gateway REST API。创建第二个 Lambda 函数来协调对代理的调用和奖励 Lambda 函数。使用重试/回退机制配置第二个 Lambda 函数。

各エージェントの背後に Amazon API Gateway REST API を定義します。 2 番目の Lambda 関数を作成して、エージェントへの呼び出しと報酬を与える Lambda 関数を調整します。 2 番目の Lambda 関数に再試行/フォールバック メカニズムを設定します。

Create an AWS Step Functions state machine with four tasks that run the agents and the rewards Lambda function. Set up retry and catch branches for each of the task steps.

创建一个 AWS Step Functions 状态机，其中包含四个运行代理和奖励 Lambda 函数的任务。为每个任务步骤设置重试和捕获分支。

エージェントと報酬 Lambda 関数を実行する 4 つのタスクを含む AWS Step Functions ステートマシンを作成します。タスクステップごとに再試行およびキャッチブランチを設定します。

Configure each agent with a separate retry/fallback mechanism. Create a second Lambda function to orchestrate the calls to the agents and the rewards Lambda function. Define an Amazon API Gateway REST API behind the second Lambda function.

使用单独的重试/回退机制配置每个代理。创建第二个 Lambda 函数来协调对代理的调用和奖励 Lambda 函数。在第二个 Lambda 函数后面定义 Amazon API Gateway REST API。

個別の再試行/フォールバック メカニズムを使用して各エージェントを構成します。 2 番目の Lambda 関数を作成して、エージェントへの呼び出しと報酬を与える Lambda 関数を調整します。 2 番目の Lambda 関数の背後に Amazon API Gateway REST API を定義します。

Create a second Lambda function to orchestrate the calls to the agents and the rewards Lambda function. Create an AWS Step Functions state machine with one task that runs the second Lambda function. Set up retry and catch branches for the task step.

创建第二个 Lambda 函数来协调对代理的调用和奖励 Lambda 函数。创建一个 AWS Step Functions 状态机，其中一个任务运行第二个 Lambda 函数。为任务步骤设置重试和捕获分支。

2 番目の Lambda 関数を作成して、エージェントへの呼び出しと報酬を与える Lambda 関数を調整します。 2 番目の Lambda 関数を実行する 1 つのタスクを含む AWS Step Functions ステートマシンを作成します。タスクステップの再試行およびキャッチブランチを設定します。

Create a flow in Amazon Bedrock Flows. Configure S3 action nodes at the beginning and end of the flow to retrieve and store the communications and the model responses. In the middle of the flow, configure an expression to parse each communication. Configure an agent step to send the parsed input to the model for review.

在 Amazon Bedrock Flows 中创建流。在流程的开头和结尾配置 S3 操作节点以检索和存储通信和模型响应。在流程的中间，配置一个表达式来解析每个通信。配置代理步骤以将解析后的输入发送到模型以供审核。

Amazon Bedrock Flows でフローを作成します。フローの最初と最後に S3 アクション ノードを設定して、通信とモデル応答を取得して保存します。フローの途中で、各通信を解析するための式を構成します。解析された入力をレビューのためにモデルに送信するようにエージェント ステップを構成します。

Create an AWS Step Functions Express workflow state machine. Use an Amazon S3 integration GetObject step to retrieve the original communications. Use an intrinsic function Pass step to parse the communications and to pass the results to an Amazon Bedrock InvokeModel step. Configure an Amazon S3 integration PutObject step to store the model responses back to the S3 bucket.

创建 AWS Step Functions Express 工作流程状态机。使用 Amazon S3 集成 GetObject 步骤检索原始通信。使用内部函数 Pass 步骤来解析通信并将结果传递到 Amazon Bedrock InvokeModel 步骤。配置 Amazon S3 集成 PutObject 步骤以将模型响应存储回 S3 存储桶。

AWS Step Functions Express ワークフロー ステート マシンを作成します。 Amazon S3 統合の GetObject ステップを使用して、元の通信を取得します。組み込み関数 Pass ステップを使用して通信を解析し、結果を Amazon Bedrock InvokeModel ステップに渡します。 Amazon S3 統合の PutObject ステップを設定して、モデル応答を S3 バケットに保存します。

Create an Amazon Bedrock agent that has an action group. Configure instructions to define how the agent should parse the communications. Configure the action group to retrieve the communications from the S3 bucket, invoke the Amazon Bedrock model, and store the model responses back to the S3 bucket.

创建具有操作组的 Amazon Bedrock 代理。配置指令以定义代理应如何解析通信。配置操作组以从 S3 存储桶检索通信、调用 Amazon Bedrock 模型并将模型响应存储回 S3 存储桶。

アクショングループを持つ Amazon Bedrock エージェントを作成します。エージェントが通信を解析する方法を定義する手順を構成します。 S3 バケットから通信を取得し、Amazon Bedrock モデルを呼び出し、モデルの応答を S3 バケットに保存するようにアクション グループを設定します。

Create an Amazon Bedrock agent that has a single action group. Configure three AWS Lambda functions in the action group. Configure the functions to retrieve the communications from the S3 bucket, parse the communications and invoke the Amazon Bedrock model, and store the model responses back to the S3 bucket.

创建具有单个操作组的 Amazon Bedrock 代理。在操作组中配置三个 AWS Lambda 函数。配置函数以从 S3 存储桶检索通信、解析通信并调用 Amazon Bedrock 模型，并将模型响应存储回 S3 存储桶。

単一のアクション グループを持つ Amazon Bedrock エージェントを作成します。アクショングループに 3 つの AWS Lambda 関数を設定します。 S3 バケットから通信を取得し、通信を解析して Amazon Bedrock モデルを呼び出し、モデルの応答を S3 バケットに保存する関数を設定します。

Configure a pipeline in which financial experts manually score all responses for accuracy, compliance, and conversational quality. Use Amazon SageMaker notebooks to analyze results to identify improvement areas.

配置一个管道，让财务专家手动对所有回复的准确性、合规性和对话质量进行评分。使用 Amazon SageMaker 笔记本分析结果以确定需要改进的地方。

財務専門家が正確さ、コンプライアンス、会話の質に関してすべての回答を手動でスコアリングするパイプラインを構成します。 Amazon SageMaker ノートブックを使用して結果を分析し、改善領域を特定します。

Configure Amazon Bedrock evaluations that use Anthropic Claude Sonnet as a judge model to assess response accuracy and appropriateness. Configure custom Amazon Bedrock guardrails to check responses for compliance with financial policies. Add Amazon Augmented AI (Amazon A2I) human reviews for flagged critical interactions.

配置 Amazon Bedrock 评估，使用 Anthropic Claude Sonnet 作为判断模型来评估响应的准确性和适当性。配置自定义 Amazon Bedrock 护栏以检查响应是否符合财务政策。添加 Amazon Augmented AI (Amazon A2I) 人工评论以标记关键交互。

Anthropic Claude Sonnet を判定モデルとして使用する Amazon Bedrock 評価を設定し、応答の精度と適切性を評価します。カスタム Amazon Bedrock ガードレールを設定して、財務ポリシーへの準拠に対する応答をチェックします。フラグが立てられた重要なインタラクションに対して、Amazon Augmented AI (Amazon A2I) 人間によるレビューを追加します。

Create an Amazon Lex bot to manage the customer service interactions. Configure AWS Lambda functions to check responses against a static compliance database. Configure intents in the bot that call the Lambda functions to check the responses. Add an additional intent to collect end-user reviews.

创建 Amazon Lex 机器人来管理客户服务交互。配置 AWS Lambda 函数以根据静态合规性数据库检查响应。在调用 Lambda 函数的机器人中配置意图以检查响应。添加额外的意图来收集最终用户评论。

Amazon Lex ボットを作成して、顧客サービスのやり取りを管理します。静的なコンプライアンス データベースに対して応答をチェックするように AWS Lambda 関数を設定します。 Lambda 関数を呼び出して応答を確認するボットのインテントを構成します。エンドユーザーのレビューを収集する追加のインテントを追加します。

Configure Amazon CloudWatch to monitor response patterns from the AI assistant. Configure CloudWatch alerts for potential compliance violations. Establish a team of human evaluators to review flagged interactions.

配置 Amazon CloudWatch 以监控 AI 助手的响应模式。配置 CloudWatch 警报以发现潜在的合规性违规行为。建立一个人类评估员团队来审查标记的交互。

AI アシスタントからの応答パターンを監視するように Amazon CloudWatch を設定します。潜在的なコンプライアンス違反に対する CloudWatch アラートを構成します。フラグが立てられたインタラクションをレビューする人間の評価者のチームを設立します。

Isolate data for each agent by using separate knowledge bases. Use IAM filtering to control access to each knowledge base. Deploy a supervisor agent to perform natural language intent classification on patient inquiries. Configure the supervisor agent to route queries to specialized collaborator agents to respond to department-specific queries. Configure each specialized collaborator agent to use Retrieval Augmented Generation (RAG) with the agent's department-specific knowledge base.

使用单独的知识库隔离每个代理的数据。使用 IAM 过滤来控制对每个知识库的访问。部署主管代理对患者询问进行自然语言意图分类。配置主管代理将查询路由到专门的协作代理以响应特定于部门的查询。配置每个专业协作者代理以将检索增强生成 (RAG) 与代理的部门特定知识库结合使用。

個別のナレッジ ベースを使用して、エージェントごとにデータを分離します。 IAM フィルタリングを使用して、各ナレッジ ベースへのアクセスを制御します。スーパーバイザ エージェントを導入して、患者の問い合わせに対して自然言語の意図分類を実行します。部門固有のクエリに応答するためにクエリを専門のコラボレータ エージェントにルーティングするようにスーパーバイザ エージェントを設定します。エージェントの部門固有のナレッジ ベースで取得拡張生成 (RAG) を使用するように、各専門コラボレーター エージェントを構成します。

Create a separate supervisor agent for each department. Configure individual collaborator agents to perform natural language intent classification for each specialty domain within each department. Integrate each collaborator agent with department-specific knowledge bases only. Implement manual handoff processes between the supervisor agents.

为每个部门创建一个单独的主管代理。配置单独的协作代理以对每个部门内的每个专业领域执行自然语言意图分类。仅将每个协作代理与特定于部门的知识库集成。在主管代理之间实施手动切换流程。

部門ごとに個別のスーパーバイザ エージェントを作成します。各部門内の各専門領域に対して自然言語意図分類を実行するように、個々のコラボレーター エージェントを構成します。各コラボレータ エージェントを部門固有のナレッジ ベースのみと統合します。スーパーバイザ エージェント間で手動ハンドオフ プロセスを実装します。

Isolate data for each department in separate knowledge bases. Use IAM filtering to control access to each knowledge base. Deploy a single general-purpose agent. Configure multiple action groups within the general-purpose agent to perform specific department functions. Implement rule-based routing logic within the general-purpose agent instructions.

将每个部门的数据隔离在单独的知识库中。使用 IAM 过滤来控制对每个知识库的访问。部署单个通用代理。在通用代理内配置多个操作组以执行特定的部门功能。在通用代理指令中实现基于规则的路由逻辑。

各部門のデータを個別のナレッジ ベースに分離します。 IAM フィルタリングを使用して、各ナレッジ ベースへのアクセスを制御します。単一の汎用エージェントをデプロイします。特定の部門の機能を実行するために、汎用エージェント内に複数のアクション グループを構成します。汎用エージェント命令内にルールベースのルーティング ロジックを実装します。

Implement multiple independent supervisor agents that run in parallel to respond to patient inquiries for each department. Configure multiple collaborator agents for each supervisor agent. Integrate all agents with the same knowledge base. Use external routing logic to merge responses from multiple supervisor agents.

实施多个独立的主管代理，并行运行以响应每个部门的患者询问。为每个主管代理配置多个协作者代理。将所有代理与相同的知识库集成。使用外部路由逻辑合并来自多个主管代理的响应。

各部門の患者の問い合わせに応答するために並行して実行される複数の独立したスーパーバイザー エージェントを実装します。スーパーバイザ エージェントごとに複数のコラボレータ エージェントを設定します。すべてのエージェントを同じ知識ベースに統合します。外部ルーティング ロジックを使用して、複数のスーパーバイザ エージェントからの応答をマージします。

Create one AWS CDK application. Create multiple pipelines in AWS CodePipeline. Configure each pipeline to have its own settings for each FM. Configure the application to invoke the Amazon Bedrock FMs by using the aws_bedrock.ProvisionedModel.fromProvisionedModelArn() method.

创建一个 AWS CDK 应用程序。在 AWS CodePipeline 中创建多个管道。将每个管道配置为每个 FM 都有自己的设置。配置应用程序以使用 aws_bedrock.ProvisionedModel.fromProvisionedModelArn() 方法调用 Amazon Bedrock FM。

AWS CDK アプリケーションを 1 つ作成します。 AWS CodePipeline で複数のパイプラインを作成します。各 FM に対して独自の設定を持つように各パイプラインを構成します。 aws_bedrock.ProvisionedModel.fromProvisionedModelArn() メソッドを使用して、Amazon Bedrock FM を呼び出すようにアプリケーションを設定します。

Create a separate AWS CDK application for each environment. Configure the applications to invoke the Amazon Bedrock FMs by using the aws_bedrock.FoundationModel.fromFoundationModelId() method. Create a separate pipeline in AWS CodePipeline for each environment.

为每个环境创建单独的 AWS CDK 应用程序。配置应用程序以使用 aws_bedrock.FoundationModel.fromFoundationModelId() 方法调用 Amazon Bedrock FM。在 AWS CodePipeline 中为每个环境创建单独的管道。

環境ごとに個別の AWS CDK アプリケーションを作成します。 aws_bedrock.FoundationModel.fromFoundationModelId() メソッドを使用して、Amazon Bedrock FM を呼び出すようにアプリケーションを設定します。 AWS CodePipeline で環境ごとに個別のパイプラインを作成します。

Create one AWS CDK application. Configure the application to invoke the Amazon Bedrock FMs by using the aws_bedrock.FoundationModel.fromFoundationModelId() method. Create a pipeline in AWS CodePipeline pipeline that has a deployment stage for each environment that uses AWS CodeBuild deploy actions.

创建一个 AWS CDK 应用程序。配置应用程序以使用 aws_bedrock.FoundationModel.fromFoundationModelId() 方法调用 Amazon Bedrock FM。在 AWS CodePipeline 管道中创建一个管道，该管道为使用 AWS CodeBuild 部署操作的每个环境都有一个部署阶段。

AWS CDK アプリケーションを 1 つ作成します。 aws_bedrock.FoundationModel.fromFoundationModelId() メソッドを使用して、Amazon Bedrock FM を呼び出すようにアプリケーションを設定します。 AWS CodeBuild デプロイアクションを使用する環境ごとにデプロイステージを持つパイプラインを AWS CodePipeline パイプラインに作成します。

Create one AWS CDK application for the production environment. Configure the application to invoke the Amazon Bedrock FMs by using the aws_bedrock.ProvisionedModel.fromProvisionedModelArn() method. Create a pipeline in AWS CodePipeline. Configure the pipeline to deploy to the production environment by using an AWS CodeBuild deploy action. For the development environment, manually recreate the resources by referring to the production application code.

为生产环境创建一个 AWS CDK 应用程序。配置应用程序以使用 aws_bedrock.ProvisionedModel.fromProvisionedModelArn() 方法调用 Amazon Bedrock FM。在 AWS CodePipeline 中创建管道。使用 AWS CodeBuild 部署操作配置要部署到生产环境的管道。对于开发环境，请参考生产应用代码手动重新创建资源。

本番環境用に 1 つの AWS CDK アプリケーションを作成します。 aws_bedrock.ProvisionedModel.fromProvisionedModelArn() メソッドを使用して、Amazon Bedrock FM を呼び出すようにアプリケーションを設定します。 AWS CodePipeline でパイプラインを作成します。 AWS CodeBuild デプロイアクションを使用して、パイプラインを本番環境にデプロイするように設定します。開発環境の場合は、運用アプリケーション コードを参照してリソースを手動で再作成します。

Deploy a single Amazon Bedrock knowledge base that contains combined data for all hotels. Configure AWS Lambda functions to synchronize data from each hotel's PMS database through direct API connections. Implement AWS CloudTrail logging with hotel-specific filters to audit access logs for each hotel's data.

部署一个包含所有酒店组合数据的 Amazon Bedrock 知识库。配置 AWS Lambda 函数以通过直接 API 连接同步每个酒店的 PMS 数据库的数据。使用特定于酒店的过滤器实施 AWS CloudTrail 日志记录，以审核每个酒店数据的访问日志。

すべてのホテルの結合データを含む単一の Amazon Bedrock ナレッジベースをデプロイします。直接 API 接続を通じて各ホテルの PMS データベースからのデータを同期するように AWS Lambda 関数を構成します。ホテル固有のフィルターを使用して AWS CloudTrail ログを実装し、各ホテルのデータのアクセス ログを監査します。

Create an Amazon EventBridge rule for each hotel that is invoked by changes to the PMS database for each hotel. Configure the rule to send updates to a centralized Amazon Bedrock knowledge base in a management AWS account. Configure resource-based policies to enforce hotel-specific access controls for hotel staff.

为每家酒店创建一个 Amazon EventBridge 规则，该规则通过对每家酒店的 PMS 数据库的更改来调用。配置规则以将更新发送到管理 AWS 账户中的集中式 Amazon Bedrock 知识库。配置基于资源的策略，以对酒店员工实施特定于酒店的访问控制。

各ホテルの PMS データベースへの変更によって呼び出される Amazon EventBridge ルールをホテルごとに作成します。管理 AWS アカウント内の集中化された Amazon Bedrock ナレッジベースに更新を送信するルールを設定します。リソースベースのポリシーを構成して、ホテルのスタッフにホテル固有のアクセス制御を適用します。

Implement one Amazon Bedrock knowledge base for each hotel in a multi-account structure. Use direct data ingestion to provide real-time room availability information. Schedule regular synchronization for less critical information.

为多账户结构中的每家酒店实施一个 Amazon Bedrock 知识库。使用直接数据摄取来提供实时房间可用性信息。安排定期同步不太重要的信息。

マルチアカウント構造のホテルごとに 1 つの Amazon Bedrock ナレッジベースを実装します。直接データ取り込みを使用して、リアルタイムの空室情報を提供します。重要度の低い情報については、定期的な同期をスケジュールします。

Build a centralized Amazon Bedrock agent that uses multiple knowledge bases. Implement AWS IAM Identity Center with hotel-specific permission sets to control hotel staff data access.

构建使用多个知识库的集中式 Amazon Bedrock 代理。使用特定于酒店的权限集实施 AWS IAM Identity Center，以控制酒店员工的数据访问。

複数のナレッジベースを使用する集中型の Amazon Bedrock エージェントを構築します。ホテル固有の権限セットを備えた AWS IAM Identity Center を実装して、ホテルスタッフのデータアクセスを制御します。

Store the active model provider in AWS Systems Manager Parameter Store. Configure a Lambda function to read the parameter at runtime to determine which model to invoke.

将活动模型提供程序存储在 AWS Systems Manager Parameter Store 中。配置 Lambda 函数以在运行时读取参数以确定要调用哪个模型。

アクティブなモデルプロバイダーを AWS Systems Manager パラメータストアに保存します。実行時にパラメータを読み取り、呼び出すモデルを決定するように Lambda 関数を設定します。

Store the active model provider in AWS AppConfig. Configure a Lambda function to read the configuration at runtime to determine which model to invoke.

将活动模型提供程序存储在 AWS AppConfig 中。配置 Lambda 函数以在运行时读取配置以确定要调用哪个模型。

アクティブなモデルプロバイダーを AWS AppConfig に保存します。実行時に設定を読み取り、呼び出すモデルを決定するように Lambda 関数を設定します。

Configure an Amazon API Gateway REST API to route requests to separate Lambda functions. Hardcode each Lambda function to a specific model provider. Switch the integration target manually.

配置 Amazon API Gateway REST API 以将请求路由到单独的 Lambda 函数。将每个 Lambda 函数硬编码到特定的模型提供程序。手动切换集成目标。

リクエストを別の Lambda 関数にルーティングするように Amazon API Gateway REST API を設定します。各 Lambda 関数を特定のモデルプロバイダーにハードコードします。統合対象を手動で切り替えます。

Store the active model provider in a JSON file hosted on Amazon S3. Use AWS AppConfig to reference the S3 file as a hosted configuration source. Configure a Lambda function to read the file through AppConfig at runtime to determine which model to invoke.

将活动模型提供程序存储在 Amazon S3 上托管的 JSON 文件中。使用 AWS AppConfig 引用 S3 文件作为托管配置源。配置 Lambda 函数以在运行时通过 AppConfig 读取文件，以确定要调用哪个模型。

アクティブなモデルプロバイダーを、Amazon S3 でホストされている JSON ファイルに保存します。 AWS AppConfig を使用して、ホストされた構成ソースとして S3 ファイルを参照します。実行時に AppConfig を通じてファイルを読み取り、どのモデルを呼び出すかを決定するように Lambda 関数を構成します。

Implement a standard retry strategy that uses a 1-second fixed delay between attempts and a 3-retry maximum for all errors. Handle streaming response timeouts by restarting streams. Cap token usage for each session.

实施标准重试策略，在尝试之间使用 1 秒的固定延迟，并针对所有错误最多重试 3 次。通过重新启动流来处理流响应超时。每个会话的令牌使用上限。

試行間の固定遅延を 1 秒とし、すべてのエラーに対して最大 3 回の再試行を使用する標準的な再試行戦略を実装します。ストリームを再開して、ストリーミング応答タイムアウトを処理します。各セッションのトークン使用量の上限。

Implement an adaptive retry strategy that uses exponential backoff with jitter and a circuit breaker pattern that temporarily disables retries when error rates exceed a predefined threshold. Implement a streaming response handler that monitors for chunk delivery timeouts. Configure the handler to buffer successfully received chunks and intelligently resume streaming from the last received chunk when connections are re- established.

实施自适应重试策略，该策略使用带有抖动的指数退避和断路器模式，当错误率超过预定义阈值时，该断路器模式会暂时禁用重试。实现一个流响应处理程序来监视块传送超时。配置处理程序以缓冲成功接收的块，并在重新建立连接时智能地从上次接收的块恢复流式传输。

ジッターを伴う指数バックオフと、エラー率が事前定義されたしきい値を超えたときに再試行を一時的に無効にするサーキット ブレーカー パターンを使用する適応型再試行戦略を実装します。チャンク配信タイムアウトを監視するストリーミング応答ハンドラーを実装します。正常に受信したチャンクをバッファリングし、接続が再確立されたときに最後に受信したチャンクからストリーミングをインテリジェントに再開するようにハンドラーを構成します。

Use the AWS SDK to configure a retry strategy in standard mode. Wrap Amazon Bedrock API calls in try-catch blocks that handle timeout exceptions. Return cached completions for failed streaming requests. Enforce a global token limit for all users. Add jitter-based retry logic and lightweight token trimming for each request. Resume broken streams by requesting only the missing chunks from the point of failure. Maintain a small in-memory buffer of the most recent chunks to minimize redundant data transfer.

使用 AWS 开发工具包在标准模式下配置重试策略。将 Amazon Bedrock API 调用包装在处理超时异常的 try-catch 块中。返回失败的流请求的缓存完成结果。对所有用户实施全局令牌限制。为每个请求添加基于抖动的重试逻辑和轻量级令牌修剪。通过仅请求故障点丢失的块来恢复损坏的流。维护最新块的小型内存缓冲区，以最大限度地减少冗余数据传输。

AWS SDK を使用して、標準モードで再試行戦略を設定します。 Amazon Bedrock API 呼び出しをタイムアウト例外を処理する try-catch ブロックでラップします。失敗したストリーミング リクエストに対してキャッシュされた完了を返します。すべてのユーザーにグローバル トークン制限を適用します。ジッターベースの再試行ロジックと各リクエストの軽量トークン トリミングを追加します。障害が発生した時点から欠落しているチャンクのみをリクエストすることで、壊れたストリームを再開します。冗長なデータ転送を最小限に抑えるために、最新のチャンクの小さなメモリ内バッファを維持します。

Set Amazon Bedrock client request timeouts to 30 seconds. Implement client-side load shedding. Buffer partial results and stop new requests when the application performance begins to degrade. Set static token usage caps for all requests. Configure exponential backoff retries, dynamic chunk sizing, and context-aware token limits.

将 Amazon Bedrock 客户端请求超时设置为 30 秒。实施客户端减载。当应用程序性能开始下降时，缓冲部分结果并停止新请求。为所有请求设置静态令牌使用上限。配置指数退避重试、动态块大小调整和上下文感知令牌限制。

Amazon Bedrock クライアントのリクエストのタイムアウトを 30 秒に設定します。クライアント側の負荷制限を実装します。部分的な結果をバッファリングし、アプリケーションのパフォーマンスが低下し始めると新しいリクエストを停止します。すべてのリクエストに対して静的トークン使用量の上限を設定します。指数関数的バックオフ再試行、動的なチャンク サイズ設定、およびコンテキスト認識型のトークン制限を構成します。

Use Amazon Macie to detect and redact PII in user inputs and in the model responses. Apply prompt engineering techniques to force the model to avoid investment advice topics. Use AWS CloudTrail to capture conversation logs.

使用 Amazon Macie 检测和编辑用户输入和模型响应中的 PII。应用及时的工程技术来迫使模型避免投资建议主题。使用 AWS CloudTrail 捕获对话日志。

Amazon Macie を使用して、ユーザー入力およびモデル応答内の PII を検出して編集します。迅速なエンジニアリング手法を適用して、モデルが投資アドバイスのトピックを回避するように強制します。 AWS CloudTrail を使用して会話ログをキャプチャします。

Use an AWS Lambda function and Amazon Comprehend to detect and redact PII. Use Amazon Comprehend topic modeling to prevent the AI assistant from discussing investment advice topics. Set up custom metrics in Amazon CloudWatch to capture customer conversations.

使用 AWS Lambda 函数和 Amazon Comprehend 检测和编辑 PII。使用 Amazon Comprehend 主题建模来防止 AI 助手讨论投资建议主题。在 Amazon CloudWatch 中设置自定义指标以捕获客户对话。

AWS Lambda 関数と Amazon Comprehend を使用して PII を検出し、編集します。 Amazon Comprehend トピックモデリングを使用して、AI アシスタントが投資アドバイスのトピックについて議論できないようにします。 Amazon CloudWatch でカスタムメトリクスを設定して、顧客の会話をキャプチャします。

Configure Amazon Bedrock guardrails to apply a sensitive information policy to detect and filter PII. Set up a topic policy to ensure that the AI assistant avoids investment advice topics. Use the Converse API to log model invocations. Enable delivery and image logging to Amazon S3.

配置 Amazon Bedrock 护栏以应用敏感信息策略来检测和过滤 PII。设置话题策略，确保AI助手避开投资建议话题。使用 Converse API 记录模型调用。启用到 Amazon S3 的传输和图像记录。

PII を検出してフィルタリングするための機密情報ポリシーを適用するように Amazon Bedrock ガードレールを設定します。 AI アシスタントが投資アドバイスのトピックを回避するようにトピック ポリシーを設定します。 Converse API を使用してモデルの呼び出しを記録します。 Amazon S3 への配信と画像ログを有効にします。

Use regex controls to match patterns for PII. Apply prompt engineering techniques to avoid returning PII or investment advice topics to customers. Enable model invocation logging, delivery logging, and image logging to Amazon S3.

使用正则表达式控件来匹配 PII 的模式。应用及时的工程技术以避免将 PII 或投资建议主题返回给客户。启用模型调用日志记录、传输日志记录和图像日志记录到 Amazon S3。

正規表現コントロールを使用して、PII のパターンを照合します。迅速なエンジニアリング手法を適用して、PII や投資アドバイスのトピックを顧客に返すことを避けます。 Amazon S3 へのモデル呼び出しログ、配信ログ、およびイメージログを有効にします。

Enable tracing for Amazon Bedrock agents. Configure structured prompts that direct the FM to provide evidence presentations. Integrate Amazon Bedrock knowledge bases with data sources to enable RAG. Configure the application to reference and cite authoritative content. Deploy the application in a Multi-AZ architecture. Use Amazon API Gateway and AWS Lambda functions to scale the application. Use Amazon CloudFront to provide low-latency delivery.

启用 Amazon Bedrock 代理的跟踪。配置结构化提示，指导 FM 提供证据演示。将 Amazon Bedrock 知识库与数据源集成以启用 RAG。配置应用程序以引用和引用权威内容。在多可用区架构中部署应用程序。使用 Amazon API Gateway 和 AWS Lambda 函数扩展应用程序。使用 Amazon CloudFront 提供低延迟交付。

Amazon Bedrock エージェントのトレースを有効にします。 FM に証拠のプレゼンテーションを提供するよう指示する構造化されたプロンプトを構成します。 Amazon Bedrock ナレッジベースをデータソースと統合して、RAG を有効にします。信頼できるコンテンツを参照および引用するようにアプリケーションを構成します。アプリケーションをマルチ AZ アーキテクチャにデプロイします。 Amazon API Gateway と AWS Lambda 関数を使用してアプリケーションをスケーリングします。 Amazon CloudFront を使用して、低レイテンシーの配信を提供します。

Enable tracing for Amazon Bedrock agents. Integrate a custom RAG pipeline with Amazon OpenSearch Service to retrieve and cite sources. Configure structured prompts to present retrieved evidence. Deploy the application behind an Amazon API Gateway REST API. Use AWS Lambda functions and Amazon CloudFront to scale the application and to provide low latency. Store logs in Amazon S3 and use AWS CloudTrail to capture audit trails.

启用 Amazon Bedrock 代理的跟踪。将自定义 RAG 管道与 Amazon OpenSearch Service 集成以检索和引用源。配置结构化提示来呈现检索到的证据。在 Amazon API Gateway REST API 后面部署应用程序。使用 AWS Lambda 函数和 Amazon CloudFront 扩展应用程序并提供低延迟。将日志存储在 Amazon S3 中并使用 AWS CloudTrail 捕获审计跟踪。

Amazon Bedrock エージェントのトレースを有効にします。カスタム RAG パイプラインを Amazon OpenSearch Service と統合して、ソースを取得して引用します。取得した証拠を提示するように構造化プロンプトを構成します。 Amazon API Gateway REST API の背後にアプリケーションをデプロイします。 AWS Lambda 関数と Amazon CloudFront を使用してアプリケーションをスケーリングし、低レイテンシーを実現します。ログを Amazon S3 に保存し、AWS CloudTrail を使用して監査証跡をキャプチャします。

Use Amazon CloudWatch to monitor latency and error rates. Embed model prompts directly in the application backend to cite sources. Store application interactions with users in Amazon RDS for audits.

使用 Amazon CloudWatch 监控延迟和错误率。直接在应用程序后端嵌入模型提示以引用来源。将应用程序与用户的交互存储在 Amazon RDS 中以供审核。

Amazon CloudWatch を使用して、レイテンシーとエラー率を監視します。ソースを引用するには、モデル プロンプトをアプリケーション バックエンドに直接埋め込みます。監査のために、アプリケーションとユーザーのやり取りを Amazon RDS に保存します。

Store generated responses and supporting evidence in an Amazon S3 bucket. Enable versioning on the bucket for audits. Use AWS Glue to catalog retrieved documents. Process the retrieved documents in Amazon Athena to generate periodic compliance reports.

将生成的响应和支持证据存储在 Amazon S3 存储桶中。在存储桶上启用版本控制以进行审核。使用 AWS Glue 对检索到的文档进行编目。在 Amazon Athena 中处理检索到的文档以生成定期合规性报告。

生成された応答と裏付けとなる証拠を Amazon S3 バケットに保存します。監査用にバケットのバージョン管理を有効にします。 AWS Glue を使用して、取得したドキュメントをカタログ化します。取得したドキュメントを Amazon Athena で処理して、定期的なコンプライアンス レポートを生成します。

Store document timestamps in Amazon S3 system metadata. Use S3 object tags to implement domain classification. Implement custom user-defined metadata to store author information.

将文档时间戳存储在 Amazon S3 系统元数据中。使用S3对象标签来实现域分类。实现自定义用户定义的元数据来存储作者信息。

ドキュメントのタイムスタンプを Amazon S3 システムのメタデータに保存します。 S3 オブジェクト タグを使用してドメイン分類を実装します。カスタムのユーザー定義メタデータを実装して、作成者情報を保存します。

Set up S3 Object Lock with legal holds to track document timestamps. Use S3 object tags to store author information. Implement S3 access points for domain classification.

设置具有合法保留的 S3 对象锁来跟踪文档时间戳。使用S3对象标签来存储作者信息。实施 S3 访问点进行域分类。

文書のタイムスタンプを追跡するために、訴訟ホールドを使用して S3 オブジェクト ロックを設定します。 S3 オブジェクト タグを使用して作成者情報を保存します。ドメイン分類のために S3 アクセス ポイントを実装します。

Use S3 Inventory reports to track document timestamps. Create S3 access points to implement domain classification. Store author information in S3 Storage Lens dashboards.

使用 S3 库存报告来跟踪文档时间戳。创建S3接入点以实现域分类。将作者信息存储在 S3 Storage Lens 仪表板中。

S3 インベントリ レポートを使用してドキュメントのタイムスタンプを追跡します。 S3 アクセス ポイントを作成してドメイン分類を実装します。作成者情報を S3 Storage Lens ダッシュボードに保存します。

Use custom user-defined metadata to store author information. Use S3 Object Lock retention periods to track document timestamps. Use S3 Event Notifications to implement domain classification.

使用自定义的用户定义元数据来存储作者信息。使用 S3 对象锁定保留期来跟踪文档时间戳。使用 S3 事件通知来实现域分类。

カスタムのユーザー定義メタデータを使用して作成者情報を保存します。 S3 オブジェクト ロックの保存期間を使用してドキュメントのタイムスタンプを追跡します。 S3 イベント通知を使用してドメイン分類を実装します。

Ensure that each customer sets up an Amazon Q Business index that includes the customer's internal data. Ensure that each customer designates Example Corp as a data accessor to allow Example Corp to retrieve relevant content by using a secure API to enrich prompts at runtime.

确保每个客户都设置一个包含客户内部数据的 Amazon Q Business 索引。确保每个客户指定Example Corp作为数据访问者，以允许Example Corp使用安全API检索相关内容，以丰富运行时的提示。

各顧客が顧客の内部データを含む Amazon Q Business インデックスを設定していることを確認します。各顧客が Example Corp をデータ アクセサーとして指定し、実行時にプロンプ​​トを強化する安全な API を使用して Example Corp が関連コンテンツを取得できるようにします。

Use federated search with Model Context Protocol (MCP) by deploying real-time MCP servers for each customer. Retrieve data in real time during prompt generation.

通过为每个客户部署实时 MCP 服务器，将联合搜索与模型上下文协议 (MCP) 结合使用。在提示生成期间实时检索数据。

顧客ごとにリアルタイム MCP サーバーを展開することで、モデル コンテキスト プロトコル (MCP) によるフェデレーション検索を使用します。プロンプトの生成中にリアルタイムでデータを取得します。

Ensure that each customer configures an Amazon Bedrock knowledge base. Allow cross-account querying so Example Corp can retrieve structured data for prompt augmentation.

确保每个客户都配置一个 Amazon Bedrock 知识库。允许跨账户查询，以便示例公司可以检索结构化数据以进行快速扩充。

各顧客が Amazon Bedrock ナレッジベースを設定していることを確認します。 Example Corp が構造化データを取得して迅速に拡張できるように、クロスアカウント クエリを許可します。

Configure Amazon Kendra to crawl customer data sources. Share the resulting indexes across accounts so Example Corp can query each customer's Amazon Kendra index to retrieve augmentation data.

配置 Amazon Kendra 以抓取客户数据源。跨账户共享生成的索引，以便 Example Corp 可以查询每个客户的 Amazon Kendra 索引以检索增强数据。

顧客のデータソースをクロールするように Amazon Kendra を設定します。結果として得られたインデックスをアカウント間で共有すると、Example Corp は各顧客の Amazon Kendra インデックスにクエリを実行して拡張データを取得できるようになります。

Configure an Amazon Bedrock knowledge base to use a default vector search configuration. Use Amazon Bedrock to expand queries to improve retrieval for legal documents based on specific terminology and citations.

配置 Amazon Bedrock 知识库以使用默认矢量搜索配置。使用 Amazon Bedrock 扩展查询，以改进基于特定术语和引文的法律文档检索。

デフォルトのベクトル検索設定を使用するように Amazon Bedrock ナレッジベースを設定します。 Amazon Bedrock を使用してクエリを拡張し、特定の用語や引用に基づいた法的文書の検索を改善します。

Use Amazon OpenSearch service to deploy a hybrid search architecture that combines vector search with keyword search. Apply an Amazon Bedrock reranker model to optimize result relevance.

使用 Amazon OpenSearch 服务部署将矢量搜索与关键字搜索相结合的混合搜索架构。应用 Amazon Bedrock 重新排序模型来优化结果相关性。

Amazon OpenSearch サービスを使用して、ベクトル検索とキーワード検索を組み合わせたハイブリッド検索アーキテクチャをデプロイします。 Amazon Bedrock リランカー モデルを適用して、結果の関連性を最適化します。

Enable the Amazon Kendra query suggestion feature for end users. Use Amazon Bedrock to perform post-processing of search results to identify semantic similarity in the documents and to produce precise results.

为最终用户启用 Amazon Kendra 查询建议功能。使用 Amazon Bedrock 对搜索结果执行后处理，以识别文档中的语义相似性并生成精确的结果。

エンドユーザー向けの Amazon Kendra クエリ提案機能を有効にします。 Amazon Bedrock を使用して検索結果の後処理を実行し、ドキュメント内の意味上の類似性を特定し、正確な結果を生成します。

Use Amazon OpenSearch Service with vector search and Amazon Bedrock Titan embeddings to index and search legal documents. Use custom AWS Lambda functions to merge results with keyword-based filters that are stored in an Amazon RDS database.

将 Amazon OpenSearch Service 与矢量搜索和 Amazon Bedrock Titan 嵌入结合使用来索引和搜索法律文档。使用自定义 AWS Lambda 函数将结果与存储在 Amazon RDS 数据库中的基于关键字的筛选器合并。

Amazon OpenSearch Service とベクトル検索および Amazon Bedrock Titan 埋め込みを使用して、法的文書のインデックス付けと検索を行います。カスタム AWS Lambda 関数を使用して、Amazon RDS データベースに保存されているキーワードベースのフィルターと結果を結合します。

Use Amazon CloudWatch metrics as data sources to create custom Amazon QuickSight dashboards that show token usage trends and usage patterns across FMs.

使用 Amazon CloudWatch 指标作为数据源来创建自定义 Amazon QuickSight 仪表板，以显示跨 FM 的令牌使用趋势和使用模式。

Amazon CloudWatch メトリクスをデータソースとして使用して、FM 全体のトークン使用傾向と使用パターンを示すカスタム Amazon QuickSight ダッシュボードを作成します。

Use Amazon CloudWatch Logs Insights to analyze Amazon Bedrock invocation logs for token consumption patterns and usage attribution by application. Create custom queries to identify high-usage scenarios. Add log widgets to dashboards to enable continuous monitoring.

使用 Amazon CloudWatch Logs Insights 分析 Amazon Bedrock 调用日志，了解令牌消耗模式和应用程序的使用归因。创建自定义查询来识别高使用场景。将日志小部件添加到仪表板以实现持续监控。

Amazon CloudWatch Logs Insights を使用して、Amazon Bedrock 呼び出しログを分析して、トークン消費パターンとアプリケーションごとの使用量の属性を調べます。カスタム クエリを作成して、使用率の高いシナリオを特定します。ログ ウィジェットをダッシュ​​ボードに追加して、継続的な監視を可能にします。

Create custom Amazon CloudWatch dashboards that combine native Amazon Bedrock token and invocation CloudWatch metrics. Set up CloudWatch alarms to monitor token usage thresholds.

创建结合了本机 Amazon Bedrock 令牌和调用 CloudWatch 指标的自定义 Amazon CloudWatch 控制面板。设置 CloudWatch 警报以监控令牌使用阈值。

ネイティブ Amazon Bedrock トークンと呼び出し CloudWatch メトリクスを組み合わせたカスタム Amazon CloudWatch ダッシュボードを作成します。 CloudWatch アラームを設定して、トークン使用量のしきい値を監視します。

Create dashboards that show token usage trends and patterns across the company's FMs by using an Amazon Bedrock zero-ETL integration with Amazon Managed Grafana.

通过使用 Amazon Bedrock 与 Amazon Managed Grafana 的零 ETL 集成，创建仪表板来显示公司 FM 中的令牌使用趋势和模式。

Amazon Bedrock ゼロ ETL と Amazon Managed Grafana の統合を使用して、会社の FM 全体のトークン使用傾向とパターンを示すダッシュボードを作成します。

Implement Amazon EventBridge rules to capture Amazon Bedrock model invocation events. Route token usage data to an Amazon Data Firehose delivery stream that targets Amazon OpenSearch Serverless. Use OpenSearch dashboards to analyze usage patterns.

实施 Amazon EventBridge 规则以捕获 Amazon Bedrock 模型调用事件。将令牌使用数据路由到面向 Amazon OpenSearch Serverless 的 Amazon Data Firehose 传输流。使用 OpenSearch 仪表板来分析使用模式。

Amazon EventBridge ルールを実装して、Amazon Bedrock モデル呼び出しイベントをキャプチャします。トークン使用状況データを、Amazon OpenSearch サーバーレスをターゲットとする Amazon Data Firehose 配信ストリームにルーティングします。 OpenSearch ダッシュボードを使用して、使用パターンを分析します。

Use AWS Lambda to orchestrate low-latency FM inference by invoking FMs hosted on Amazon SageMaker AI asynchronous endpoints.

使用 AWS Lambda 通过调用 Amazon SageMaker AI 异步终端节点上托管的 FM 来协调低延迟 FM 推理。

AWS Lambda を使用して、Amazon SageMaker AI 非同期エンドポイントでホストされている FM を呼び出して、低レイテンシーの FM 推論を調整します。

Configure provisioned throughput in Amazon Bedrock to ensure consistent performance for high-volume workloads.

在 Amazon Bedrock 中配置预置吞吐量，以确保大容量工作负载的一致性能。

Amazon Bedrock でプロビジョニングされたスループットを構成して、大容量のワークロードに対して一貫したパフォーマンスを確保します。

Deploy FMs to Amazon SageMaker AI endpoints with support for edge deployment by using Amazon SageMaker Neo. Orchestrate the FMs by using AWS Lambda to support hybrid deployment.

使用 Amazon SageMaker Neo 将 FM 部署到 Amazon SageMaker AI 终端节点，并支持边缘部署。使用 AWS Lambda 编排 FM 以支持混合部署。

Amazon SageMaker Neo を使用して、エッジデプロイメントをサポートする Amazon SageMaker AI エンドポイントに FM をデプロイします。 AWS Lambda を使用して FM を調整し、ハイブリッド展開をサポートします。

Use Amazon Bedrock with auto-scaling to handle unpredictable traffic surges.

使用具有自动扩展功能的 Amazon Bedrock 来应对不可预测的流量激增。

自動スケーリングを備えた Amazon Bedrock を使用して、予測できないトラフィックの急増に対処します。

Use Amazon SageMaker JumpStart to host and invoke the FMs.

使用 Amazon SageMaker JumpStart 托管和调用 FM。

Amazon SageMaker JumpStart を使用して FM をホストし、呼び出します。

Configure Amazon API Gateway REST API endpoints for the GenAI applications. Deploy common security, observability, and RAG patterns based on the AWS Well-Architected Generative AI Lens in standardized AWS CloudFormation templates. Use CloudFormation Guard after the deployment to validate policy compliance in each business unit.

为 GenAI 应用程序配置 Amazon API Gateway REST API 终端节点。基于标准化 AWS CloudFormation 模板中的 AWS Well-Architected Generative AI Lens 部署常见的安全性、可观察性和 RAG 模式。部署后使用 CloudFormation Guard 验证每个业务部门的策略合规性。

GenAI アプリケーションの Amazon API Gateway REST API エンドポイントを設定します。標準化された AWS CloudFormation テンプレートの AWS Well-Architected Generative AI Lens に基づいた共通のセキュリティ、可観測性、RAG パターンをデプロイします。デプロイ後に CloudFormation Guard を使用して、各ビジネス ユニットのポリシー コンプライアンスを検証します。

Create standardized AWS CloudFormation templates to implement security, observability, and RAG patterns based on the AWS Well- Architected Generative AI Lens. Establish a centralized repository that performs version control. Integrate a CI/CD pipeline with CloudFormation Guard to enforce consistent and repeatable deployments across business units.

创建标准化的 AWS CloudFormation 模板，以基于 AWS Well-Architected Generative AI Lens 实施安全性、可观察性和 RAG 模式。建立执行版本控制的集中存储库。将 CI/CD 管道与 CloudFormation Guard 集成，以在各个业务部门实施一致且可重复的部署。

標準化された AWS CloudFormation テンプレートを作成して、AWS Well-Architected Generative AI Lens に基づいてセキュリティ、可観測性、RAG パターンを実装します。バージョン管理を実行する集中リポジトリを確立します。 CI/CD パイプラインを CloudFormation Guard と統合して、ビジネス ユニット全体で一貫性のある反復可能なデプロイメントを強制します。

Use AWS Service Catalog to define standardized portfolios and versioned products for each business unit. Use the portfolios to enforce security, observability, and RAG patterns based on the AWS Well-Architected Generative AI Lens. Require the business units to use the Service Catalog console to deploy resources.

使用 AWS Service Catalog 为每个业务部门定义标准化产品组合和版本化产品。使用这些产品组合基于 AWS Well-Architected Generative AI Lens 来实施安全性、可观察性和 RAG 模式。要求业务部门使用Service Catalog控制台来部署资源。

AWS Service Catalog を使用して、ビジネスユニットごとに標準化されたポートフォリオとバージョン管理された製品を定義します。ポートフォリオを使用して、AWS Well-Architected Generative AI Lens に基づいてセキュリティ、可観測性、RAG パターンを強化します。リソースをデプロイするために Service Catalog コンソールを使用することをビジネス ユニットに要求します。

Document security controls, observability requirements, and RAG patterns based on the AWS Well-Architected Generative AI Lens in a shared design document. Use Amazon Macie to enforce deployment. Delegate implementation responsibility to each business unit.

在共享设计文档中记录基于 AWS Well-Architected Generative AI Lens 的安全控制、可观测性要求和 RAG 模式。使用 Amazon Macie 强制部署。将实施责任委托给各业务部门。

AWS Well-Architected Generative AI Lens に基づくセキュリティ制御、可観測性要件、RAG パターンを共有設計ドキュメントに文書化します。 Amazon Macie を使用してデプロイメントを強制します。実装責任を各ビジネスユニットに委任します。

Create a distributed traffic simulation framework that sends translation-heavy workloads to the assistant in multiple languages simultaneously. Use Amazon CloudWatch metrics to monitor latency, concurrency, and throughput. Run simulations before production releases to identify infrastructure bottlenecks.

创建一个分布式交通模拟框架，将翻译繁重的工作负载同时以多种语言发送给助手。使用 Amazon CloudWatch 指标监控延迟、并发性和吞吐量。在生产发布之前运行模拟以识别基础设施瓶颈。

翻訳負荷の高いワークロードを複数の言語で同時にアシスタントに送信する分散交通シミュレーション フレームワークを作成します。 Amazon CloudWatch メトリクスを使用して、レイテンシ、同時実行性、およびスループットを監視します。実稼働リリース前にシミュレーションを実行して、インフラストラクチャのボトルネックを特定します。

Deploy the assistant in multiple AWS Regions with Amazon Route 53 latency-based routing and AWS Global Accelerator to improve global performance. Store multilingual conversation logs in Amazon S3. Perform weekly post-deployment audits to review consistency.

使用 Amazon Route 53 基于延迟的路由和 AWS Global Accelerator 在多个 AWS 区域部署助手，以提高全局性能。将多语言对话日志存储在 Amazon S3 中。每周执行部署后审核以审查一致性。

Amazon Route 53 レイテンシーベースのルーティングと AWS Global Accelerator を使用してアシスタントを複数の AWS リージョンにデプロイし、グローバルなパフォーマンスを向上させます。多言語の会話ログを Amazon S3 に保存します。導入後の監査を毎週実行して、一貫性を確認します。

Create a pre-processing pipeline that normalizes all incoming messages into a consistent format before sending the messages to the assistant. Apply rule-based checks to flag potential hallucinations in the outputs. Focus the evaluation on the normalized text to simplify testing across languages.

创建一个预处理管道，在将消息发送给助手之前将所有传入消息规范化为一致的格式。应用基于规则的检查来标记输出中潜在的幻觉。将评估重点放在规范化文本上，以简化跨语言测试。

メッセージをアシスタントに送信する前に、すべての受信メッセージを一貫した形式に正規化する前処理パイプラインを作成します。ルールベースのチェックを適用して、出力内の潜在的な幻覚にフラグを立てます。正規化されたテキストの評価に焦点を当てて、言語間でのテストを簡素化します。

Set up standardized multilingual test conversations with identical meaning. Run the test conversations in parallel by using Amazon Bedrock model evaluation jobs. Apply similarity and hallucination thresholds. Integrate the process into the CI/CD pipeline to block releases that fail.

建立具有相同含义的标准化多语言测试对话。使用 Amazon Bedrock 模型评估作业并行运行测试对话。应用相似性和幻觉阈值。将流程集成到 CI/CD 管道中以阻止失败的发布。

同一の意味を持つ標準化された多言語テスト会話を設定します。 Amazon Bedrock モデル評価ジョブを使用して、テスト会話を並行して実行します。類似性と幻覚のしきい値を適用します。プロセスを CI/CD パイプラインに統合して、失敗したリリースをブロックします。

Use Amazon CloudWatch Logs to capture model invocation logs. Create CloudWatch dashboards based on InputTokenCount metrics and OutputTokenCount metrics. Configure static CloudWatch alarms with fixed thresholds for each tool integration.

使用 Amazon CloudWatch Logs 捕获模型调用日志。根据 InputTokenCount 指标和 OutputTokenCount 指标创建 CloudWatch 控制面板。为每个工具集成配置具有固定阈值的静态 CloudWatch 警报。

Amazon CloudWatch Logs を使用してモデル呼び出しログをキャプチャします。 InputTokenCount メトリクスと OutputTokenCount メトリクスに基づいて CloudWatch ダッシュボードを作成します。ツール統合ごとに固定しきい値を使用して静的 CloudWatch アラームを構成します。

Store model invocation logs in an Amazon S3 bucket. Use AWS Glue to catalog the logs. Analyze token consumption patterns by using scheduled Amazon Athena queries that generate reports on tool usage trends.

将模型调用日志存储在 Amazon S3 存储桶中。使用 AWS Glue 对日志进行编目。通过使用计划的 Amazon Athena 查询来生成有关工具使用趋势的报告来分析令牌消耗模式。

モデル呼び出しログを Amazon S3 バケットに保存します。 AWS Glue を使用してログをカタログ化します。ツールの使用傾向に関するレポートを生成するスケジュールされた Amazon Athena クエリを使用して、トークンの消費パターンを分析します。

Use Amazon CloudWatch Logs to capture model invocation logs. Create CloudWatch metric filters to extract tool-specific invocation patterns. Apply CloudWatch anomaly detection alarms that adjust baselines for each tool's metrics.

使用 Amazon CloudWatch Logs 捕获模型调用日志。创建 CloudWatch 指标过滤器以提取特定于工具的调用模式。应用 CloudWatch 异常检测警报来调整每个工具指标的基线。

Amazon CloudWatch Logs を使用してモデル呼び出しログをキャプチャします。 CloudWatch メトリクスフィルターを作成して、ツール固有の呼び出しパターンを抽出します。各ツールのメトリクスのベースラインを調整する CloudWatch 異常検出アラームを適用します。

Store model invocation logs in an Amazon S3 bucket. Create an AWS Lambda function to process logs in real time. Manually update Amazon CloudWatch alarm thresholds based on token consumption trends that the Lambda function identifies.

将模型调用日志存储在 Amazon S3 存储桶中。创建 AWS Lambda 函数来实时处理日志。根据 Lambda 函数识别的令牌消耗趋势手动更新 Amazon CloudWatch 警报阈值。

モデル呼び出しログを Amazon S3 バケットに保存します。リアルタイムでログを処理する AWS Lambda 関数を作成します。 Lambda 関数が特定したトークン消費傾向に基づいて、Amazon CloudWatch アラームしきい値を手動で更新します。

Deploy separate Amazon Bedrock instances in North American and European Regions. Use a custom routing layer that directs traffic based on user location. Configure Amazon CloudWatch alarms to monitor Regional service usage. Use Amazon SNS to send email alerts to the company when usage approaches specified thresholds.

在北美和欧洲区域部署单独的 Amazon Bedrock 实例。使用自定义路由层根据用户位置引导流量。配置 Amazon CloudWatch 警报以监控区域服务使用情况。当使用量接近指定阈值时，使用 Amazon SNS 向公司发送电子邮件警报。

北米リージョンとヨーロッパリージョンに個別の Amazon Bedrock インスタンスをデプロイします。ユーザーの位置に基づいてトラフィックを誘導するカスタム ルーティング レイヤーを使用します。 Amazon CloudWatch アラームを設定して、地域サービスの使用状況を監視します。 Amazon SNS を使用して、使用量が指定されたしきい値に近づいたときに会社に電子メールアラートを送信します。

Use Amazon Bedrock cross-Region inference profiles by specifying geographical codes in profile IDs when the application calls the InvokeModel API. Configure separate Amazon API Gateway HTTP APIs to direct European and North American users to the appropriate Regional endpoints.

当应用程序调用 InvokeModel API 时，通过在配置文件 ID 中指定地理代码来使用 Amazon Bedrock 跨区域推理配置文件。配置单独的 Amazon API Gateway HTTP API 以将欧洲和北美用户定向到适当的区域终端节点。

アプリケーションが InvokeModel API を呼び出すときにプロファイル ID に地理コードを指定することで、Amazon Bedrock クロスリージョン推論プロファイルを使用します。ヨーロッパと北米のユーザーを適切な地域のエンドポイントに誘導するには、個別の Amazon API Gateway HTTP API を設定します。

Deploy a multi-Region Amazon API Gateway HTTP API and AWS Lambda functions that implement retry logic to handle throttling. Configure the Lambda functions to call the FM in the nearest secondary Region when the application reaches service quotas in the primary Region. Use intelligent routing to ensure compliance with data residency requirements.

部署多区域 Amazon API Gateway HTTP API 和 AWS Lambda 函数，以实施重试逻辑来处理限制。配置 Lambda 函数以在应用程序达到主要区域中的服务配额时调用最近的次要区域中的 FM。使用智能路由确保符合数据驻留要求。

マルチリージョンの Amazon API Gateway HTTP API と、スロットルを処理するための再試行ロジックを実装する AWS Lambda 関数をデプロイします。アプリケーションがプライマリ リージョンのサービス クォータに達したときに、最も近いセカンダリ リージョンの FM を呼び出すように Lambda 関数を設定します。インテリジェントなルーティングを使用して、データ常駐要件へのコンプライアンスを確保します。

Configure provisioned throughput for Amazon Bedrock in multiple Regions. Implement failover logic in the application code to switch between Regions when throttling occurs. Use AWS Global Accelerator to route traffic to the appropriate endpoints based on user location.

在多个区域中为 Amazon Bedrock 配置预置吞吐量。在应用程序代码中实现故障转移逻辑，以便在发生限制时在 Region 之间进行切换。使用 AWS Global Accelerator 根据用户位置将流量路由到适当的终端节点。

複数のリージョンで Amazon Bedrock のプロビジョニングされたスループットを構成します。アプリケーション コードにフェイルオーバー ロジックを実装して、スロットリングが発生したときにリージョン間を切り替えます。 AWS Global Accelerator を使用して、ユーザーの場所に基づいてトラフィックを適切なエンドポイントにルーティングします。

Deploy an Amazon Bedrock model with a cross-Region model inference profile. Create Amazon S3 buckets in each AWS Region the company operates in. Store a knowledge base in each respective S3 bucket. In each Region, configure Amazon Kendra to interact with the respective knowledge base. In each Region, configure an AWS Lambda function that uses Kendra and Amazon Bedrock to process AI assistant prompts.

使用跨区域模型推理配置文件部署 Amazon Bedrock 模型。在公司运营的每个 AWS 区域中创建 Amazon S3 存储桶。在每个相应的 S3 存储桶中存储知识库。在每个区域中，配置 Amazon Kendra 以与相应的知识库交互。在每个区域中，配置一个使用 Kendra 和 Amazon Bedrock 处理 AI 助手提示的 AWS Lambda 函数。

クロスリージョンモデル推論プロファイルを使用して Amazon Bedrock モデルをデプロイします。会社が事業を展開している各 AWS リージョンに Amazon S3 バケットを作成します。ナレッジベースをそれぞれの S3 バケットに保存します。各リージョンで、それぞれのナレッジベースと対話するように Amazon Kendra を設定します。各リージョンで、Kendra と Amazon Bedrock を使用して AI アシスタントのプロンプトを処理する AWS Lambda 関数を設定します。

Deploy an Amazon Bedrock model in each AWS Region the company operates in. Configure an Amazon Bedrock cross-Region model inference profile. Configure a vector database that uses Amazon Bedrock Knowledge Bases. Store the knowledge bases in Amazon S3 in each Region the company operates in.

在公司运营的每个 AWS 区域中部署 Amazon Bedrock 模型。配置 Amazon Bedrock 跨区域模型推理配置文件。配置使用 Amazon Bedrock 知识库的矢量数据库。将知识库存储在公司运营的每个区域的 Amazon S3 中。

会社が運営する各 AWS リージョンに Amazon Bedrock モデルをデプロイします。Amazon Bedrock クロスリージョン モデル推論プロファイルを設定します。 Amazon Bedrock Knowledge Bases を使用するベクトルデータベースを設定します。会社が事業を展開している各リージョンの Amazon S3 にナレッジベースを保存します。

Use AWS Outposts to deploy an outpost in each AWS Region the company operates in. Create Amazon S3 buckets to store knowledge bases in each corresponding Region. Deploy Amazon RDS configured as a vector database to each outpost. Deploy an Amazon Bedrock model with a cross-Region inference profile in a central Region.

使用 AWS Outposts 在公司运营的每个 AWS 区域中部署前哨站。创建 Amazon S3 存储桶以存储每个相应区域中的知识库。将配置为矢量数据库的 Amazon RDS 部署到每个前哨站。在中心区域部署具有跨区域推理配置文件的 Amazon Bedrock 模型。

AWS Outposts を使用して、企業が運営する各 AWS リージョンにアウトポストをデプロイします。Amazon S3 バケットを作成して、対応する各リージョンにナレッジベースを保存します。ベクトルデータベースとして構成された Amazon RDS を各アウトポストにデプロイします。クロスリージョン推論プロファイルを備えた Amazon Bedrock モデルを中央リージョンにデプロイします。

Configure a knowledge base stored in the Amazon S3 Express One Zone storage class in each AWS Local Zone the company operates in. Use Amazon RDS to deploy a vector database in each Local Zone the company operates in. Deploy a large language model (LLM) to Amazon EC2 instances in each Local Zone. Configure the AI assistant to route prompts to the model in the respective Local Zone.

配置存储在公司运营的每个 AWS 本地区域中的 Amazon S3 Express One Zone 存储类中的知识库。使用 Amazon RDS 在公司运营的每个本地区域中部署矢量数据库。将大型语言模型 (LLM) 部署到每个本地区域中的 Amazon EC2 实例。配置 AI 助手将提示路由到相应本地区域中的模型。

企業が運営する各 AWS ローカル ゾーンの Amazon S3 Express One Zone ストレージ クラスに保存されるナレッジベースを設定します。 Amazon RDS を使用して、企業が運営する各ローカル ゾーンにベクトル データベースをデプロイします。 各ローカル ゾーンの Amazon EC2 インスタンスに大規模言語モデル (LLM) をデプロイします。プロンプトをそれぞれのローカル ゾーンのモデルにルーティングするように AI アシスタントを構成します。

Use the Amazon Bedrock InvokeModel API with a separate authentication method for each environment. Store conversation states in Amazon DynamoDB. Use custom I/O formatting logic for each programming language.

使用 Amazon Bedrock InvokeModel API 以及针对每个环境的单独身份验证方法。将对话状态存储在 Amazon DynamoDB 中。为每种编程语言使用自定义 I/O 格式化逻辑。

Amazon Bedrock InvokeModel API を環境ごとに個別の認証方法で使用します。会話状態を Amazon DynamoDB に保存します。プログラミング言語ごとにカスタム I/O フォーマット ロジックを使用します。

Use the Amazon Bedrock Converse API directly in both environments with a common authentication mechanism that uses IAM roles. Store conversation states in Amazon ElastiCache. Creating programming language-specific wrappers for model parameters.

通过使用 IAM 角色的通用身份验证机制，在两种环境中直接使用 Amazon Bedrock Converse API。将对话状态存储在 Amazon ElastiCache 中。为模型参数创建特定于编程语言的包装器。

IAM ロールを使用する共通の認証メカニズムを使用して、両方の環境で Amazon Bedrock Converse API を直接使用します。会話状態を Amazon ElastiCache に保存します。モデルパラメータのプログラミング言語固有のラッパーを作成します。

Create a centralized Amazon API Gateway REST API endpoint that handles all model interactions by using the InvokeModel API. Store interaction history in application process memory in each Lambda function or EKS container. Use environment variables to configure model parameters.

创建一个集中式 Amazon API Gateway REST API 终端节点，使用 InvokeModel API 处理所有模型交互。将交互历史记录存储在每个 Lambda 函数或 EKS 容器的应用程序进程内存中。使用环境变量来配置模型参数。

InvokeModel API を使用してすべてのモデル インタラクションを処理する、一元化された Amazon API Gateway REST API エンドポイントを作成します。インタラクション履歴を各 Lambda 関数または EKS コンテナのアプリケーション プロセス メモリに保存します。環境変数を使用してモデルパラメータを設定します。

Use the Amazon Bedrock Converse API and IAM roles for authentication. Pass previous messages in the request messages array to maintain conversational context. Use programming language-specific SDKs to establish consistent API interfaces.

使用 Amazon Bedrock Converse API 和 IAM 角色进行身份验证。传递请求消息数组中的先前消息以维护会话上下文。使用特定于编程语言的 SDK 建立一致的 API 接口。

認証には Amazon Bedrock Converse API と IAM ロールを使用します。会話のコンテキストを維持するために、以前のメッセージをリクエスト メッセージ配列に渡します。プログラミング言語固有の SDK を使用して、一貫した API インターフェイスを確立します。

Create custom Amazon CloudWatch metrics to monitor model errors. Set provisioned throughput to a value that is safely higher than the peak traffic observed.

创建自定义 Amazon CloudWatch 指标来监控模型错误。将预置吞吐量设置为安全高于观察到的峰值流量的值。

モデルエラーを監視するカスタム Amazon CloudWatch メトリクスを作成します。プロビジョニングされたスループットを、観測されたピーク トラフィックより安全に高い値に設定します。

Create custom Amazon CloudWatch metrics to monitor model errors. Set up a failover mechanism to redirect invocations to a backup AWS Region when the errors exceed a specified threshold.

创建自定义 Amazon CloudWatch 指标来监控模型错误。设置故障转移机制，以便在错误超过指定阈值时将调用重定向到备份 AWS 区域。

モデルエラーを監視するカスタム Amazon CloudWatch メトリクスを作成します。エラーが指定されたしきい値を超えた場合に、呼び出しをバックアップ AWS リージョンにリダイレクトするフェイルオーバー メカニズムを設定します。

Enable invocation logging in Amazon Bedrock. Monitor key metrics such as Invocations, InputTokenCount, OutputTokenCount, and Invocation Throttles. Distribute traffic across cross-Region inference endpoints.

在 Amazon Bedrock 中启用调用日志记录。监视关键指标，例如调用、InputTokenCount、OutputTokenCount 和调用限制。跨区域推理端点分配流量。

Amazon Bedrock で呼び出しログを有効にします。呼び出し、InputTokenCount、OutputTokenCount、呼び出しスロットルなどの主要なメトリクスを監視します。クロスリージョン推論エンドポイント間でトラフィックを分散します。

Enable invocation logging in Amazon Bedrock. Monitor InvocationLatency, InvocationClientErrors, and InvocationServerErrors metrics. Distribute traffic across multiple versions of the same model.

在 Amazon Bedrock 中启用调用日志记录。监视 InvocableLatency、InitationClientErrors 和 InitationServerErrors 指标。在同一模型的多个版本之间分配流量。

Amazon Bedrock で呼び出しログを有効にします。 InvocationLatency、InvocationClientErrors、および InvocationServerErrors メトリクスを監視します。同じモデルの複数のバージョンにトラフィックを分散します。

Create a custom Lambda invocation transport by using the Lambda Invoke API. Implement IAM authentication and grant InvokeFunction permissions to authorized users and roles.

使用 Lambda Invoke API 创建自定义 Lambda 调用传输。实施 IAM 身份验证并向授权用户和角色授予 InvokeFunction 权限。

Lambda Invoke API を使用して、カスタム Lambda 呼び出しトランスポートを作成します。 IAM 認証を実装し、承認されたユーザーとロールに InvokeFunction 権限を付与します。

Expose the Lambda functions through Amazon API Gateway REST API endpoints. Implement API keys for authentication. Configure the applications that need to access the MCP servers to use standard HTTP requests instead of the MCP protocol.

通过 Amazon API Gateway REST API 终端节点公开 Lambda 函数。实施 API 密钥进行身份验证。将需要访问 MCP 服务器的应用程序配置为使用标准 HTTP 请求而不是 MCP 协议。

Amazon API Gateway REST API エンドポイントを通じて Lambda 関数を公開します。認証用の API キーを実装します。 MCP サーバーにアクセスする必要があるアプリケーションを、MCP プロトコルの代わりに標準の HTTP 要求を使用するように構成します。

Create Lambda function URLs and enable a custom Streamable HTTP transport and SigV4. Implement AWS IAM authentication. Grant InvokeFunctionUrl permissions to authorized users and roles.

创建 Lambda 函数 URL 并启用自定义 Streamable HTTP 传输和 SigV4。实施 AWS IAM 身份验证。向授权用户和角色授予 InvokeFunctionUrl 权限。

Lambda 関数 URL を作成し、カスタム Streamable HTTP トランスポートと SigV4 を有効にします。 AWS IAM 認証を実装します。承認されたユーザーとロールに InvokeFunctionUrl 権限を付与します。

Expose the Lambda function through Amazon API Gateway HTTP API endpoints with the Streamable HTTP transport. Use Amazon Cognito to implement OAuth authentication. Configure API Gateway to validate OAuth tokens.

使用 Streamable HTTP 传输通过 Amazon API Gateway HTTP API 终端节点公开 Lambda 函数。使用 Amazon Cognito 实施 OAuth 身份验证。配置 API Gateway 以验证 OAuth 令牌。

ストリーミング可能な HTTP トランスポートを使用して、Amazon API Gateway HTTP API エンドポイントを通じて Lambda 関数を公開します。 Amazon Cognito を使用して OAuth 認証を実装します。 OAuth トークンを検証するように API Gateway を構成します。

Implement a custom retry mechanism with a fixed delay of 1 second between retries. Configure Amazon CloudWatch alarms to monitor the application's error rates and latency metrics.

实现自定义重试机制，重试之间的固定延迟为 1 秒。配置 Amazon CloudWatch 警报以监控应用程序的错误率和延迟指标。

再試行間の遅延を 1 秒に固定したカスタム再試行メカニズムを実装します。 Amazon CloudWatch アラームを設定して、アプリケーションのエラー率とレイテンシーメトリクスを監視します。

Configure the AWS SDK with standard retry mode and exponential backoff with jitter. Use AWS X-Ray tracing with annotations to identify and filter service components.

使用标准重试模式和带抖动的指数退避配置 AWS 开发工具包。使用带有注释的 AWS X-Ray 跟踪来识别和筛选服务组件。

標準の再試行モードとジッターを伴う指数バックオフを使用して AWS SDK を設定します。注釈付きの AWS X-Ray トレースを使用して、サービス コンポーネントを識別してフィルタリングします。

Implement client-side caching of all FM responses. Add custom logging statements in the application code to record API call durations.

对所有 FM 响应实施客户端缓存。在应用程序代码中添加自定义日志记录语句以记录 API 调用时长。

すべての FM 応答のクライアント側キャッシュを実装します。アプリケーション コードにカスタム ロギング ステートメントを追加して、API 呼び出し時間を記録します。

Configure the AWS SDK with adaptive retry mode. Use AWS CloudTrail distributed tracing to monitor throttling events.

使用自适应重试模式配置 AWS 开发工具包。使用 AWS CloudTrail 分布式跟踪来监控限制事件。

アダプティブリトライモードを使用して AWS SDK を設定します。 AWS CloudTrail 分散トレーシングを使用して、スロットル イベントをモニタリングします。

Configure VPC endpoints for Amazon Bedrock model API calls. Implement Amazon Bedrock Guardrails to filter harmful or unauthorized content in prompts and responses. Use Amazon Bedrock trace events to track all agent and model invocations for auditing purposes. Export the traces to Amazon CloudWatch Logs as an audit record of model usage. Store all prompts and outputs in Amazon S3 with server-side encryption with AWS KMS keys (SSE-KMS).

为 Amazon Bedrock 模型 API 调用配置 VPC 终端节点。实施 Amazon Bedrock Guardrails 以过滤提示和响应中的有害或未经授权的内容。使用 Amazon Bedrock 跟踪事件跟踪所有代理和模型调用以进行审计。将跟踪导出到 Amazon CloudWatch Logs 作为模型使用情况的审核记录。将所有提示和输出存储在 Amazon S3 中，并使用 AWS KMS 密钥 (SSE-KMS) 进行服务器端加密。

Amazon Bedrock モデル API 呼び出し用に VPC エンドポイントを設定します。 Amazon Bedrock Guardrails を実装して、プロンプトと応答内の有害なコンテンツまたは無許可のコンテンツをフィルタリングします。 Amazon Bedrock トレース イベントを使用して、監査目的ですべてのエージェントとモデルの呼び出しを追跡します。トレースをモデルの使用状況の監査記録として Amazon CloudWatch Logs にエクスポートします。 AWS KMS キー (SSE-KMS) によるサーバー側暗号化を使用して、すべてのプロンプトと出力を Amazon S3 に保存します。

Define access control by using IAM with attribute-based controls to map departments to specific permissions. Configure VPC endpoints for Amazon Bedrock model API calls. Use IAM condition keys to enforce specific GuardrailIdentifier and ModelId values. Configure AWS CloudTrail to capture management and data events for S3 objects and KMS key usage activities. Enable S3 server access logging to record detailed file-level interactions with the video archives. Send all CloudTrail logs to AWS CloudTrail Lake. Set up Amazon CloudWatch alarms to detect and alert on unexpected activity from Amazon Bedrock, Amazon Rekognition, and AWS KMS.

通过使用 IAM 和基于属性的控制来定义访问控制，将部门映射到特定权限。为 Amazon Bedrock 模型 API 调用配置 VPC 终端节点。使用 IAM 条件键强制执行特定的 GuardrailIdentifier 和 ModelId 值。配置 AWS CloudTrail 以捕获 S3 对象和 KMS 密钥使用活动的管理和数据事件。启用 S3 服务器访问日志记录以记录与视频档案的详细文件级交互。将所有 CloudTrail 日志发送到 AWS CloudTrail Lake。设置 Amazon CloudWatch 警报以检测来自 Amazon Bedrock、Amazon Rekognition 和 AWS KMS 的意外活动并发出警报。

属性ベースの制御を備えた IAM を使用してアクセス制御を定義し、部門を特定の権限にマッピングします。 Amazon Bedrock モデル API 呼び出し用に VPC エンドポイントを設定します。 IAM 条件キーを使用して、特定の GuardrailIdentifier および ModelId 値を強制します。 S3 オブジェクトと KMS キーの使用アクティビティの管理イベントとデータ イベントをキャプチャするように AWS CloudTrail を設定します。 S3 サーバー アクセス ログを有効にして、ビデオ アーカイブとの詳細なファイル レベルのやり取りを記録します。すべての CloudTrail ログを AWS CloudTrail Lake に送信します。 Amazon CloudWatch アラームを設定して、Amazon Bedrock、Amazon Rekognition、AWS KMS からの予期しないアクティビティを検出して警告します。

Restrict access to services by using VPC endpoint policies. Use AWS Config to track resource changes and compliance with security rules. Use server-side encryption with AWS KMS keys (SSE-KMS) to encrypt data at rest. Store the model's I/O in separate Amazon S3 buckets. Enable S3 server access logging to track file-level interactions.

使用 VPC 终端节点策略限制对服务的访问。使用 AWS Config 跟踪资源更改以及安全规则的合规性。使用带有 AWS KMS 密钥 (SSE-KMS) 的服务器端加密来加密静态数据。将模型的 I/O 存储在单独的 Amazon S3 存储桶中。启用 S3 服务器访问日志记录以跟踪文件级交互。

VPC エンドポイント ポリシーを使用してサービスへのアクセスを制限します。 AWS Config を使用して、リソースの変更とセキュリティルールへの準拠を追跡します。 AWS KMS キー (SSE-KMS) を使用したサーバー側暗号化を使用して、保存データを暗号化します。モデルの I/O を別の Amazon S3 バケットに保存します。 S3 サーバーのアクセスログを有効にして、ファイルレベルのインタラクションを追跡します。

Configure AWS CloudTrail Insights to analyze API call patterns across accounts and detect anomalous activity in Amazon Bedrock, Amazon Rekognition, Amazon S3, and AWS KMS. Deploy Amazon Macie to scan and classify the video archive. Use server-side encryption with AWS KMS keys (SSE-KMS) to encrypt all stored data. Configure CloudTrail to capture KMS API usage events for audit purposes. Configure Amazon EventBridge rules to process CloudTrail Insights anomalies and Macie findings. Use CloudWatch alarms to trigger automated notifications and security responses when potential security issues are detected.

配置 AWS CloudTrail Insights 以分析跨账户的 API 调用模式并检测 Amazon Bedrock、Amazon Rekognition、Amazon S3 和 AWS KMS 中的异常活动。部署 Amazon Macie 对视频存档进行扫描和分类。使用带有 AWS KMS 密钥 (SSE-KMS) 的服务器端加密来加密所有存储的数据。配置 CloudTrail 以捕获 KMS API 使用事件以进行审计。配置 Amazon EventBridge 规则以处理 CloudTrail Insights 异常和 Macie 结果。当检测到潜在的安全问题时，使用 CloudWatch 警报触发自动通知和安全响应。

AWS CloudTrail Insights を設定して、アカウント全体の API 呼び出しパターンを分析し、Amazon Bedrock、Amazon Rekognition、Amazon S3、AWS KMS での異常なアクティビティを検出します。 Amazon Macie をデプロイして、ビデオアーカイブをスキャンして分類します。 AWS KMS キー (SSE-KMS) を使用したサーバー側の暗号化を使用して、保存されているすべてのデータを暗号化します。監査目的で KMS API 使用状況イベントをキャプチャするように CloudTrail を構成します。 CloudTrail Insights の異常と Macie の検出結果を処理するように Amazon EventBridge ルールを設定します。 CloudWatch アラームを使用して、潜在的なセキュリティ問題が検出されたときに自動通知とセキュリティ応答をトリガーします。

Use AWS Glue to run an ETL job on each uploaded file. Configure the ETL job to use the AWS SDK to invoke the Sage Maker AI model endpoint. Use real-time inference with the endpoint to re-deploy the model after it is re-trained on the updated customer dataset.

使用 AWS Glue 对每个上传的文件运行 ETL 作业。配置 ETL 作业以使用 AWS 开发工具包调用 Sage Maker AI 模型终端节点。在更新的客户数据集上重新训练模型后，使用端点的实时推理来重新部署模型。

AWS Glue を使用して、アップロードされた各ファイルに対して ETL ジョブを実行します。 AWS SDK を使用して Sage Maker AI モデル エンドポイントを呼び出すように ETL ジョブを設定します。エンドポイントでリアルタイム推論を使用し、更新された顧客データセットで再トレーニングした後にモデルを再デプロイします。

Create an AWS Lambda function and webhook handlers to generate an event when an employee uploads a new file. Configure SageMaker Pipelines to re-deploy the model after it is re-trained on the updated customer dataset. Use Amazon EventBridge to create an event bus. Set the Lambda function event as the source and SageMaker Pipelines as the target.

创建 AWS Lambda 函数和 Webhook 处理程序，以便在员工上传新文件时生成事件。配置 SageMaker Pipelines 以在更新的客户数据集上重新训练模型后重新部署模型。使用 Amazon EventBridge 创建事件总线。将 Lambda 函数事件设置为源，将 SageMaker Pipelines 设置为目标。

AWS Lambda 関数と Webhook ハンドラーを作成して、従業員が新しいファイルをアップロードしたときにイベントを生成します。更新された顧客データセットで再トレーニングされた後にモデルを再デプロイするように SageMaker Pipelines を構成します。 Amazon EventBridge を使用してイベント バスを作成します。 Lambda 関数イベントをソースとして設定し、SageMaker Pipelines をターゲットとして設定します。

Create an AWS Step Functions Express workflow with AWS SDK integrations to retrieve the customer data from the S3 bucket when an employee uploads a new file to the S3 bucket. Use a SageMaker Data Wrangler flow to export the data from the S3 bucket to SageMaker Autopilot. Use SageMaker Autopilot to re-deploy the model after it has been re-trained on the updated customer dataset.

使用 AWS 开发工具包集成创建 AWS Step Functions Express 工作流程，以便在员工将新文件上传到 S3 存储桶时从 S3 存储桶检索客户数据。使用 SageMaker Data Wrangler 流将数据从 S3 存储桶导出到 SageMaker Autopilot。在更新的客户数据集上重新训练模型后，使用 SageMaker Autopilot 重新部署模型。

AWS SDK 統合を使用して AWS Step Functions Express ワークフローを作成し、従業員が新しいファイルを S3 バケットにアップロードするときに S3 バケットから顧客データを取得します。 SageMaker Data Wrangler フローを使用して、S3 バケットから SageMaker Autopilot にデータをエクスポートします。更新された顧客データセットで再トレーニングされた後、SageMaker Autopilot を使用してモデルを再デプロイします。

Create an AWS Step Functions Standard workflow. Configure the first state to call an AWS Lambda function to respond when an employee uploads a new file to the S3 bucket. Use a pipeline in SageMaker Pipelines to re-deploy the model after it has been re-trained on the updated customer dataset. Use the next state in the workflow to run the pipeline when the first state receives a response.

创建 AWS Step Functions 标准工作流程。配置第一个状态以在员工将新文件上传到 S3 存储桶时调用 AWS Lambda 函数进行响应。在更新的客户数据集上重新训练模型后，使用 SageMaker Pipelines 中的管道重新部署模型。当第一个状态收到响应时，使用工作流中的下一个状态来运行管道。

AWS Step Functions Standard ワークフローを作成します。従業員が新しいファイルを S3 バケットにアップロードしたときに応答するように AWS Lambda 関数を呼び出すように最初の状態を設定します。更新された顧客データセットで再トレーニングされた後、SageMaker Pipelines のパイプラインを使用してモデルを再デプロイします。最初の状態が応答を受信したときに、ワークフロー内の次の状態を使用してパイプラインを実行します。

Create a retrieve-only evaluation job that uses a supported version of Anthropic Claude Sonnet as the evaluator model. Configure metrics for context relevance and context coverage. Define deployment thresholds in a separate CI/CD pipeline.

创建仅检索评估作业，该作业使用受支持的 Anthropic Claude Sonnet 版本作为评估器模型。配置上下文相关性和上下文覆盖范围的指标。在单独的 CI/CD 管道中定义部署阈值。

Anthropic Claude Sonnet のサポートされているバージョンを評価モデルとして使用する、取得専用の評価ジョブを作成します。コンテキストの関連性とコンテキストの範囲に関するメトリクスを構成します。別の CI/CD パイプラインでデプロイメントのしきい値を定義します。

Create a retrieve-and-generate evaluation job that uses custom precision at k metrics and an LLM-as-a-judge metric that uses a scale of 1- 5. Include each chunking strategy in the evaluation dataset. Use a supported version of Anthropic Claude Sonnet to evaluate responses from both FMs.

创建一个检索和生成评估作业，该作业使用 k 指标的自定义精度和使用 1-5 等级的 LLM 作为评判指标。将每个分块策略包含在评估数据集中。使用受支持的 Anthropic Claude Sonnet 版本来评估两个 FM 的响应。

k メトリクスでのカスタム精度と 1 ～ 5 のスケールを使用する LLM-as-a-judge メトリクスを使用する取得と生成の評価ジョブを作成します。評価データセットに各チャンク戦略を含めます。 Anthropic Claude Sonnet のサポートされているバージョンを使用して、両方の FM からの応答を評価します。

Create a separate evaluation job for each chunking strategy and FM combination. Use Amazon Bedrock built-in metrics for correctness and completeness. Manually review scores before deployment approval.

为每个分块策略和 FM 组合创建单独的评估作业。使用 Amazon Bedrock 内置指标来确保正确性和完整性。在部署批准之前手动审核分数。

チャンキング戦略と FM の組み合わせごとに個別の評価ジョブを作成します。正確さと完全性を確保するには、Amazon Bedrock の組み込みメトリクスを使用します。導入の承認前にスコアを手動で確認します。

Set up a pipeline that uses multiple retrieve-only evaluation jobs to assess retrieval quality. Create separate evaluation jobs for both FMs that use Amazon Nova Pro as the LLM-as-a-judge model. Evaluate based on faithfulness and citation precision metrics.

设置使用多个仅检索评估作业来评估检索质量的管道。为使用 Amazon Nova Pro 作为 LLM-as-a-judge 模型的两个 FM 创建单独的评估作业。根据忠实度和引用精度指标进行评估。

複数の取得専用評価ジョブを使用して取得品質を評価するパイプラインを設定します。 Amazon Nova Pro を LLM-as-a-judge モデルとして使用する両方の FM に個別の評価ジョブを作成します。忠実度と引用精度の指標に基づいて評価します。

Ingest raw videos into Amazon Rekognition to detect animal postures and expressions. Use Amazon Data Firehose to stream sensor and GPS data into an Amazon S3 data lake. Prompt an Amazon Bedrock foundation model (FM) by using basic templates that are stored in AWS Systems Manager Parameter Store. Use IAM policies to control access. Use AWS CloudTrail for audit logging.

将原始视频提取到 Amazon Rekognition 中以检测动物姿势和表情。使用 Amazon Data Firehose 将传感器和 GPS 数据流式传输到 Amazon S3 数据湖中。使用存储在 AWS Systems Manager Parameter Store 中的基本模板提示 Amazon Bedrock 基础模型 (FM)。使用 IAM 策略来控制访问。使用 AWS CloudTrail 进行审核日志记录。

RAW ビデオを Amazon Rekognition に取り込み、動物の姿勢や表情を検出します。 Amazon Data Firehose を使用して、センサーと GPS データを Amazon S3 データレイクにストリーミングします。 AWS Systems Manager パラメータストアに保存されている基本テンプレートを使用して、Amazon Bedrock Foundation Model (FM) を要求します。 IAM ポリシーを使用してアクセスを制御します。監査ログには AWS CloudTrail を使用します。

Use Amazon SageMaker Processing and Amazon Transcribe to pre-process multimodal data. Ingest summaries into an Amazon Bedrock Retrieval Augmented Generation (RAG) knowledge base. Apply Amazon Bedrock guardrails to restrict speculative outputs. Use AWS AppConfig to manage prompt templates. Use AWS CloudTrail to log research activity for audits.

使用 Amazon SageMaker Processing 和 Amazon Transcribe 预处理多模式数据。将摘要提取到 Amazon Bedrock Retrieval Augmented Generation (RAG) 知识库中。应用 Amazon Bedrock 护栏来限制投机产出。使用 AWS AppConfig 管理提示模板。使用 AWS CloudTrail 记录研究活动以供审核。

Amazon SageMaker Processing と Amazon Transcribe を使用してマルチモーダルデータを前処理します。概要を Amazon Bedrock Retrieval Augmented Generation (RAG) ナレッジベースに取り込みます。 Amazon Bedrock ガードレールを適用して、投機的な出力を制限します。 AWS AppConfig を使用してプロンプト テンプレートを管理します。 AWS CloudTrail を使用して、監査のための調査活動を記録します。

Use Amazon OpenSearch Serverless to index behavioral logs and telemetry events. Use Amazon Comprehend to extract entities. Use Amazon Bedrock to build a layer to answer questions. Embed study summaries into OpenSearch Serverless documents. Use IAM to control access. Use AWS CloudTrail to log user interactions with the AI assistant.

使用 Amazon OpenSearch Serverless 为行为日志和遥测事件建立索引。使用 Amazon Comprehend 提取实体。使用 Amazon Bedrock 构建一个层来回答问题。将研究摘要嵌入 OpenSearch Serverless 文档中。使用 IAM 控制访问。使用 AWS CloudTrail 记录用户与 AI 助手的交互。

Amazon OpenSearch Serverless を使用して、動作ログとテレメトリ イベントのインデックスを作成します。 Amazon Comprehend を使用してエンティティを抽出します。 Amazon Bedrock を使用して、質問に答えるレイヤーを構築します。研究概要を OpenSearch サーバーレス ドキュメントに埋め込みます。 IAM を使用してアクセスを制御します。 AWS CloudTrail を使用して、AI アシスタントとのユーザーの対話を記録します。

Configure Amazon Q Business to federate data across Amazon S3, Amazon Kinesis, and Amazon SageMaker Feature Store. Configure Amazon EventBridge to invoke data ingestion jobs. Use custom AWS Lambda functions to filter large language model (LLM) outputs for ethical compliance before returning results to users.

配置 Amazon Q Business 以跨 Amazon S3、Amazon Kinesis 和 Amazon SageMaker Feature Store 联合数据。配置 Amazon EventBridge 以调用数据提取作业。使用自定义 AWS Lambda 函数过滤大型语言模型 (LLM) 输出以确保道德合规性，然后再将结果返回给用户。

Amazon S3、Amazon Kinesis、Amazon SageMaker Feature Store 全体でデータをフェデレーションするように Amazon Q Business を設定します。データ取り込みジョブを呼び出すように Amazon EventBridge を設定します。カスタム AWS Lambda 関数を使用して、結果をユーザーに返す前に、倫理遵守のために大規模言語モデル (LLM) 出力をフィルタリングします。

Create an IAM permissions boundary for each employee's IAM role. Configure the permissions boundary to require an approved Amazon Bedrock guardrail identifier to invoke Amazon Bedrock models. Create an SCP that allows employees to use only approved models.

为每个员工的 IAM 角色创建 IAM 权限边界。配置权限边界以需要经过批准的 Amazon Bedrock 护栏标识符才能调用 Amazon Bedrock 模型。创建一个 SCP，允许员工仅使用经批准的模型。

各従業員の IAM ロールの IAM 権限境界を作成します。 Amazon Bedrock モデルを呼び出すために承認された Amazon Bedrock ガードレール識別子を要求するようにアクセス許可の境界を設定します。従業員が承認されたモデルのみを使用できるようにする SCP を作成します。

Create an SCP that allows employees to use only approved models. Configure the SCP to require employees to specify a guardrail identifier in calls to invoke an approved model.

创建一个 SCP，允许员工仅使用经批准的模型。配置 SCP 以要求员工在调用中指定护栏标识符以调用批准的模型。

従業員が承認されたモデルのみを使用できるようにする SCP を作成します。承認されたモデルを呼び出すための呼び出しでガードレール識別子を指定することを従業員に要求するように SCP を構成します。

Create an SCP that prevents an employee from invoking a model if a centrally deployed guardrail identifier is not specified in a call to the model. Create a permissions boundary on each employee's IAM role that allows each employee to invoke only approved models.

创建一个 SCP，如果在模型调用中未指定集中部署的护栏标识符，该 SCP 会阻止员工调用模型。在每个员工的 IAM 角色上创建权限边界，允许每个员工仅调用批准的模型。

中央に配置されたガードレール識別子がモデルの呼び出しで指定されていない場合に、従業員がモデルを呼び出すことを防止する SCP を作成します。各従業員の IAM ロールにアクセス許可の境界を作成し、各従業員が承認されたモデルのみを呼び出すことができるようにします。

Use AWS CloudFormation to create a custom Amazon Bedrock guardrail that has a block filtering policy. Use stack sets to deploy the guardrail to each account in the organization.

使用 AWS CloudFormation 创建具有块过滤策略的自定义 Amazon Bedrock 护栏。使用堆栈集将防护栏部署到组织中的每个帐户。

AWS CloudFormation を使用して、ブロック フィルタリング ポリシーを持つカスタム Amazon Bedrock ガードレールを作成します。スタック セットを使用して、組織内の各アカウントにガードレールを展開します。

Use AWS CloudFormation to create a custom Amazon Bedrock guardrail that has a mask filtering policy. Use stack sets to deploy the guardrail to each account in the organization.

使用 AWS CloudFormation 创建具有掩码过滤策略的自定义 Amazon Bedrock 护栏。使用堆栈集将防护栏部署到组织中的每个帐户。

AWS CloudFormation を使用して、マスク フィルタリング ポリシーを持つカスタム Amazon Bedrock ガードレールを作成します。スタック セットを使用して、組織内の各アカウントにガードレールを展開します。

Integrate an Amazon API Gateway HTTP API with an AWS Lambda function to invoke Amazon Bedrock. Use Lambda response streaming to stream responses. Enforce token limits within the Lambda function. Implement retry logic for model timeouts by using Lambda and API Gateway timeout configurations.

将 Amazon API Gateway HTTP API 与 AWS Lambda 函数集成以调用 Amazon Bedrock。使用 Lambda 响应流来传输响应。在 Lambda 函数中强制执行令牌限制。使用 Lambda 和 API Gateway 超时配置实现模型超时的重试逻辑。

Amazon API Gateway HTTP API を AWS Lambda 関数と統合して、Amazon Bedrock を呼び出します。 Lambda 応答ストリーミングを使用して応答をストリーミングします。 Lambda 関数内でトークン制限を強制します。 Lambda と API Gateway のタイムアウト構成を使用して、モデルのタイムアウトの再試行ロジックを実装します。

Connect an Amazon API Gateway HTTP API directly to Amazon Bedrock. Simulate streaming by using client-side polling. Enforce token limits on the frontend. Configure retry behavior by using API Gateway integration settings.

将 Amazon API Gateway HTTP API 直接连接到 Amazon Bedrock。使用客户端轮询模拟流式传输。在前端强制执行令牌限制。使用 API Gateway 集成设置配置重试行为。

Amazon API Gateway HTTP API を Amazon Bedrock に直接接続します。クライアント側のポーリングを使用してストリーミングをシミュレートします。フロントエンドでトークン制限を強制します。 API Gateway 統合設定を使用して、再試行動作を構成します。

Connect an Amazon API Gateway WebSocket API to an Amazon ECS service that hosts a containerized inference server. Stream responses by using the WebSocket protocol. Enforce token limits within Amazon ECS. Handle model timeouts by using ECS task lifecycle hooks and restart policies.

将 Amazon API Gateway WebSocket API 连接到托管容器化推理服务器的 Amazon ECS 服务。使用 WebSocket 协议流式传输响应。在 Amazon ECS 中实施令牌限制。使用 ECS 任务生命周期挂钩和重启策略处理模型超时。

Amazon API Gateway WebSocket API を、コンテナ化された推論サーバーをホストする Amazon ECS サービスに接続します。 WebSocket プロトコルを使用して応答をストリーミングします。 Amazon ECS 内でトークン制限を強制します。 ECS タスクのライフサイクル フックと再起動ポリシーを使用して、モデルのタイムアウトを処理します。

Integrate an Amazon API Gateway REST API with an AWS Lambda function that invokes Amazon Bedrock. Use Lambda response streaming to stream responses. Enforce token limits within the Lambda function. Implement retry logic by using Lambda and API Gateway timeout configurations.

将 Amazon API Gateway REST API 与调用 Amazon Bedrock 的 AWS Lambda 函数集成。使用 Lambda 响应流来传输响应。在 Lambda 函数中强制执行令牌限制。使用 Lambda 和 API Gateway 超时配置实现重试逻辑。

Amazon API Gateway REST API を、Amazon Bedrock を呼び出す AWS Lambda 関数と統合します。 Lambda 応答ストリーミングを使用して応答をストリーミングします。 Lambda 関数内でトークン制限を強制します。 Lambda と API Gateway のタイムアウト設定を使用して、再試行ロジックを実装します。

Create a multi-stage architecture that uses a small foundation model (FM) to classify the complexity of each inquiry. Route simple inquiries to a smaller, more cost-effective model. Route complex inquiries to a larger, more capable model. Use AWS Lambda functions to handle the routing logic.

创建一个多阶段架构，使用小型基础模型 (FM) 对每个查询的复杂性进行分类。将简单的查询转至更小、更具成本效益的模型。将复杂的查询路由到更大、更强大的模型。使用 AWS Lambda 函数处理路由逻辑。

小規模基盤モデル (FM) を使用して、各問い合わせの複雑さを分類する多段階アーキテクチャを作成します。単純な問い合わせを、より小規模でコスト効率の高いモデルに転送します。複雑な問い合わせを、より大規模でより機能的なモデルにルーティングします。 AWS Lambda 関数を使用してルーティング ロジックを処理します。

Use Amazon Bedrock intelligent prompt routing to automatically analyze inquiries. Route simple product inquiries to smaller models, and route complex return policy inquiries to more capable larger models.

使用 Amazon Bedrock 智能提示路由自动分析查询。将简单的产品查询路由至较小的型号，并将复杂的退货政策查询路由至功能更强大的较大型号。

Amazon Bedrock インテリジェント プロンプト ルーティングを使用して、問い合わせを自動的に分析します。単純な製品に関する問い合わせを小型モデルに転送し、複雑な返品ポリシーに関する問い合わせをより機能の高い大型モデルに転送します。

Implement a single-model solution that uses an Amazon Bedrock mid-sized foundation model (FM) with on-demand pricing. Include special instructions in model prompts to handle both simple and complex inquiries by using the same model.

实施使用 Amazon Bedrock 中型基础模型 (FM) 并按需定价的单一模型解决方案。在模型提示中包含特殊说明，以使用同一模型处理简单和复杂的查询。

オンデマンド価格の Amazon Bedrock 中規模基盤モデル (FM) を使用する単一モデル ソリューションを実装します。同じモデルを使用して単純な問い合わせと複雑な問い合わせの両方を処理できるように、モデル プロンプトに特別な指示を含めます。

Create separate Amazon Bedrock endpoints for simple and complex inquiries. Implement a rule-based routing system based on keyword detection. Use on-demand pricing for the smaller model and provisioned throughput for the larger model.

为简单和复杂的查询创建单独的 Amazon Bedrock 终端节点。实施基于关键字检测的基于规则的路由系统。对较小的模型使用按需定价，对较大的模型使用预配置吞吐量。

単純な問い合わせと複雑な問い合わせのために別の Amazon Bedrock エンドポイントを作成します。キーワード検出に基づいたルールベースのルーティング システムを実装します。小規模モデルにはオンデマンド価格を使用し、大規模モデルにはプロビジョニングされたスループットを使用します。

Deploy Amazon Bedrock with provisioned throughput to stabilize inference latency. Apply Amazon Bedrock guardrails that have semantic denial rules to block unsafe outputs. Use Amazon Bedrock Prompt Management to manage prompts by using approval workflows.

使用预配置吞吐量部署 Amazon Bedrock 以稳定推理延迟。应用具有语义拒绝规则的 Amazon Bedrock 护栏来阻止不安全的输出。使用 Amazon Bedrock Prompt Management 通过审批工作流程来管理提示。

プロビジョニングされたスループットを備えた Amazon Bedrock をデプロイして、推論レイテンシーを安定させます。セマンティック拒否ルールを備えた Amazon Bedrock ガードレールを適用して、安全でない出力をブロックします。 Amazon Bedrock プロンプト管理を使用して、承認ワークフローを使用してプロンプトを管理します。

Use Amazon Bedrock Agents to manage chaining. Log model inputs and outputs to Amazon CloudWatch Logs. Use logs from Amazon CloudWatch to perform A/B testing for prompt versions.

使用 Amazon Bedrock Agents 管理链接。将模型输入和输出记录到 Amazon CloudWatch Logs。使用 Amazon CloudWatch 中的日志对提示版本执行 A/B 测试。

Amazon Bedrock Agent を使用してチェーンを管理します。モデルの入力と出力を Amazon CloudWatch Logs に記録します。 Amazon CloudWatch のログを使用して、プロンプト バージョンの A/B テストを実行します。

Cache prompt results in Amazon ElastiCache. Use AWS Lambda functions to pre-process metadata and to trace end-to-end latency. Use AWS X-Ray to identify and remediate performance bottlenecks.

在 Amazon ElastiCache 中缓存提示结果。使用 AWS Lambda 函数预处理元数据并跟踪端到端延迟。使用 AWS X-Ray 识别并修复性能瓶颈。

プロンプトの結果を Amazon ElastiCache にキャッシュします。 AWS Lambda 関数を使用してメタデータを前処理し、エンドツーエンドのレイテンシーを追跡します。 AWS X-Ray を使用して、パフォーマンスのボトルネックを特定して修正します。

Use Amazon Kendra to improve roast log retrieval accuracy. Store normalized prompt metadata within Amazon DynamoDB. Use AWS Step Functions to orchestrate multistep prompts.

使用 Amazon Kendra 提高烘焙日志检索准确性。在 Amazon DynamoDB 中存储标准化提示元数据。使用 AWS Step Functions 编排多步骤提示。

Amazon Kendra を使用して、ロースト ログの取得精度を向上させます。正規化されたプロンプトメタデータを Amazon DynamoDB 内に保存します。 AWS Step Functions を使用して、複数ステップのプロンプトを調整します。

Deploy the application in each Region with local IAM policies. Use Amazon Bedrock cross-Region inference to distribute the workload. Use Amazon CloudWatch to log AI decision-making processes and data processing activities. Manually track compliance certifications across Regions.

使用本地 IAM 策略在每个区域部署应用程序。使用 Amazon Bedrock 跨区域推理来分配工作负载。使用 Amazon CloudWatch 记录 AI 决策流程和数据处理活动。手动跟踪跨区域的合规认证。

ローカル IAM ポリシーを使用して各リージョンにアプリケーションをデプロイします。 Amazon Bedrock クロスリージョン推論を使用してワークロードを分散します。 Amazon CloudWatch を使用して、AI の意思決定プロセスとデータ処理アクティビティを記録します。リージョン全体でコンプライアンス認定を手動で追跡します。

Use SCPs with AWS Organizations to manage location-specific permissions. Use AWS CloudTrail immutable logs to audit the decision- making processes. Import a custom model into Amazon Bedrock and deploy the model to each Region.

将 SCP 与 AWS Organizations 结合使用来管理特定于位置的权限。使用 AWS CloudTrail 不可变日志来审核决策过程。将自定义模型导入 Amazon Bedrock 并将模型部署到每个区域。

AWS Organizations で SCP を使用して、場所固有のアクセス許可を管理します。 AWS CloudTrail の不変ログを使用して、意思決定プロセスを監査します。カスタムモデルを Amazon Bedrock にインポートし、そのモデルを各リージョンにデプロイします。

Use Amazon S3 Object Lock with Region-specific S3 bucket policies. Pre-process the data points within the Region based on geographic origin before sending the data points to Amazon Bedrock. Use Amazon Macie to classify the data. Use AWS CloudTrail immutable logs to audit the decision-making processes.

将 Amazon S3 对象锁定与区域特定的 S3 存储桶策略结合使用。在将数据点发送到 Amazon Bedrock 之前，根据地理来源预处理区域内的数据点。使用 Amazon Macie 对数据进行分类。使用 AWS CloudTrail 不可变日志来审核决策过程。

リージョン固有の S3 バケット ポリシーで Amazon S3 オブジェクト ロックを使用します。データポイントを Amazon Bedrock に送信する前に、地理的起源に基づいてリージョン内のデータポイントを前処理します。 Amazon Macie を使用してデータを分類します。 AWS CloudTrail の不変ログを使用して、意思決定プロセスを監査します。

Create separate AWS accounts for each Region with individual compliance frameworks. Use Amazon SageMaker AI with custom monitoring to track model performance and compliance with data residency requirements. Create manual reports for each regulatory jurisdiction.

使用单独的合规性框架为每个区域创建单独的 AWS 账户。使用 Amazon SageMaker AI 和自定义监控来跟踪模型性能以及对数据驻留要求的合规性。为每个监管管辖区创建手动报告。

個別のコンプライアンス フレームワークを使用して、リージョンごとに個別の AWS アカウントを作成します。 Amazon SageMaker AI をカスタムモニタリングで使用して、モデルのパフォーマンスとデータ常駐要件への準拠を追跡します。規制管轄区域ごとに手動レポートを作成します。

Configure Amazon Bedrock guardrails to apply custom content filters and toxicity detection. Use Amazon Bedrock Model Evaluation to detect hallucinations. Store prompt-response pairs in Amazon DynamoDB to capture audit trails and set a TTL. Integrate Amazon CloudWatch custom metrics with the existing compliance dashboard.

配置 Amazon Bedrock 护栏以应用自定义内容过滤器和毒性检测。使用 Amazon Bedrock 模型评估来检测幻觉。在 Amazon DynamoDB 中存储提示-响应对以捕获审核跟踪并设置 TTL。将 Amazon CloudWatch 自定义指标与现有合规性仪表板集成。

Amazon Bedrock ガードレールを設定して、カスタムコンテンツフィルターと毒性検出を適用します。 Amazon Bedrock Model Evaluation を使用して幻覚を検出します。プロンプトと応答のペアを Amazon DynamoDB に保存して、監査証跡をキャプチャし、TTL を設定します。 Amazon CloudWatch カスタムメトリクスを既存のコンプライアンスダッシュボードと統合します。

Deploy Amazon Bedrock and use AWS PrivateLink to access the application securely. Use AWS Lambda functions to implement custom prompt validation. Store prompt-response pairs in an Amazon S3 bucket and configure S3 Lifecycle policies. Create custom Amazon CloudWatch dashboards to monitor model performance metrics.

部署 Amazon Bedrock 并使用 AWS PrivateLink 安全地访问应用程序。使用 AWS Lambda 函数实施自定义提示验证。将提示-响应对存储在 Amazon S3 存储桶中并配置 S3 生命周期策略。创建自定义 Amazon CloudWatch 控制面板来监控模型性能指标。

Amazon Bedrock をデプロイし、AWS PrivateLink を使用してアプリケーションに安全にアクセスします。 AWS Lambda 関数を使用してカスタム プロンプト検証を実装します。プロンプトと応答のペアを Amazon S3 バケットに保存し、S3 ライフサイクル ポリシーを構成します。カスタム Amazon CloudWatch ダッシュボードを作成して、モデルのパフォーマンスメトリクスを監視します。

Use Amazon Bedrock Agents and Amazon Bedrock Knowledge Bases to ground responses. Use Amazon Bedrock Guardrails to enforce content safety. Use Amazon OpenSearch Service to store and index prompt-responses pairs. Integrate OpenSearch Service with Amazon QuickSight to create compliance reports and to detect model behavior drift.

使用 Amazon Bedrock Agents 和 Amazon Bedrock 知识库来进行响应。使用 Amazon Bedrock Guardrails 加强内容安全。使用 Amazon OpenSearch Service 存储提示-响应对并为其建立索引。将 OpenSearch Service 与 Amazon QuickSight 集成以创建合规性报告并检测模型行为偏差。

Amazon Bedrock Agent と Amazon Bedrock Knowledge Base を使用して対応を確立します。 Amazon Bedrock Guardrails を使用してコンテンツの安全性を強化します。 Amazon OpenSearch Service を使用して、プロンプトと応答のペアを保存し、インデックスを付けます。 OpenSearch Service を Amazon QuickSight と統合して、コンプライアンスレポートを作成し、モデル動作のドリフトを検出します。

Use Amazon SageMaker Model Monitor to detect model behavior drift. Use AWS WAF to filter content. Store customer interactions in an encrypted Amazon RDS database. Use Amazon API Gateway to create custom HTTP APIs to integrate with the compliance dashboard.

使用 Amazon SageMaker Model Monitor 检测模型行为漂移。使用 AWS WAF 过滤内容。将客户交互存储在加密的 Amazon RDS 数据库中。使用 Amazon API Gateway 创建自定义 HTTP API 以与合规性仪表板集成。

Amazon SageMaker Model Monitor を使用して、モデルの動作のドリフトを検出します。 AWS WAF を使用してコンテンツをフィルタリングします。顧客とのやり取りを暗号化された Amazon RDS データベースに保存します。 Amazon API Gateway を使用してカスタム HTTP API を作成し、コンプライアンス ダッシュボードと統合します。

Create a separate dataset in a separate Amazon S3 bucket for each business unit and Region combination. Configure S3 bucket policies to control access based on IAM roles that are assigned to FM training instances. Use S3 access logs to track data access.

在单独的 Amazon S3 存储桶中为每个业务部门和区域组合创建单独的数据集。配置 S3 存储桶策略以根据分配给 FM 训练实例的 IAM 角色控制访问。使用 S3 访问日志来跟踪数据访问。

ビジネスユニットとリージョンの組み合わせごとに、個別の Amazon S3 バケットに個別のデータセットを作成します。 FM トレーニング インスタンスに割り当てられた IAM ロールに基づいてアクセスを制御するように S3 バケット ポリシーを構成します。 S3 アクセス ログを使用してデータ アクセスを追跡します。

Configure the FM to authenticate by using IAM roles and Lake Formation permissions based on LF-Tag expressions. Define business units and Regions as LF-Tags that are assigned to databases and tables. Use AWS CloudTrail to collect comprehensive audit trails of data access.

配置 FM 以使用 IAM 角色和基于 LF-Tag 表达式的 Lake Formation 权限进行身份验证。将业务单位和区域定义为分配给数据库和表的 LF 标签。使用 AWS CloudTrail 收集数据访问的全面审计跟踪。

LF-Tag 式に基づいて IAM ロールと Lake Formation 権限を使用して認証するように FM を構成します。ビジネス ユニットとリージョンを、データベースとテーブルに割り当てられる LF タグとして定義します。 AWS CloudTrail を使用して、データアクセスの包括的な監査証跡を収集します。

Use direct IAM principal grants on specific databases and tables in Lake Formation. Create a custom application layer that logs access requests and further filters sensitive columns before sending data to the FM.

对 Lake Formation 中的特定数据库和表使用直接 IAM 主体授权。创建一个自定义应用程序层，用于记录访问请求并在将数据发送到 FM 之前进一步过滤敏感列。

Lake Formation の特定のデータベースとテーブルに対して直接 IAM プリンシパル許可を使用します。データを FM に送信する前に、アクセス リクエストをログに記録し、機密列をさらにフィルタリングするカスタム アプリケーション層を作成します。

Configure the FM to request temporary credentials from AWS STS. Access the data by using presigned S3 URLs that are generated by an API that applies business unit and Regional filters. Use AWS CloudTrail to collect comprehensive audit trails of data access.

配置 FM 以从 AWS STS 请求临时凭证。使用由应用业务部门和区域过滤器的 API 生成的预签名 S3 URL 访问数据。使用 AWS CloudTrail 收集数据访问的全面审计跟踪。

AWS STS から一時的な認証情報をリクエストするように FM を設定します。ビジネス ユニットと地域フィルターを適用する API によって生成された署名付き S3 URL を使用して、データにアクセスします。 AWS CloudTrail を使用して、データアクセスの包括的な監査証跡を収集します。

Deploy an Amazon SageMaker endpoint to run a fine-tuned ranking model. Use an Amazon API Gateway REST API to route requests. Configure the application to make requests through the REST API to rerank the results.

部署 Amazon SageMaker 终端节点以运行微调的排名模型。使用 Amazon API Gateway REST API 路由请求。配置应用程序以通过 REST API 发出请求以对结果进行重新排名。

Amazon SageMaker エンドポイントをデプロイして、微調整されたランキングモデルを実行します。 Amazon API Gateway REST API を使用してリクエストをルーティングします。 REST API を介してリクエストを行い、結果を再ランク付けするようにアプリケーションを構成します。

Use Amazon Comprehend to classify documents and apply relevance scores. Integrate the RAG application’s reranking process with Amazon Textract to run document analysis. Use Amazon Neptune to perform graph-based relevance calculations.

使用 Amazon Comprehend 对文档进行分类并应用相关性评分。将 RAG 应用程序的重新排名流程与 Amazon Textract 集成以运行文档分析。使用 Amazon Neptune 执行基于图形的相关性计算。

Amazon Comprehend を使用してドキュメントを分類し、関連性スコアを適用します。 RAG アプリケーションの再ランキングプロセスを Amazon Textract と統合して、ドキュメント分析を実行します。 Amazon Neptune を使用して、グラフベースの関連性計算を実行します。

Implement a retrieval pipeline that uses the Amazon Bedrock Knowledge Bases Retrieve API to perform initial document retrieval. Call the Amazon Bedrock Rerank API to rerank the results. Invoke the InvokeModelWithResponseStream operation to generate responses.

实施使用 Amazon Bedrock 知识库检索 API 执行初始文档检索的检索管道。调用 Amazon Bedrock Rerank API 对结果进行重新排名。调用 InvokeModelWithResponseStream 操作生成响应。

Amazon Bedrock Knowledge Bases Retrieve API を使用して最初のドキュメントの取得を実行する取得パイプラインを実装します。 Amazon Bedrock Rerank API を呼び出して結果を再ランク付けします。 InvokeModelWithResponseStream オペレーションを呼び出して応答を生成します。

Use the latest Amazon reranker model through the reranking configuration within Amazon Bedrock Knowledge Bases. Use the model to improve document relevance scoring and to reorder results based on contextual assessments.

通过 Amazon Bedrock 知识库中的重新排名配置使用最新的 Amazon 重新排名模型。使用该模型改进文档相关性评分并根据上下文评估对结果重新排序。

Amazon Bedrock ナレッジベース内の再ランキング設定を通じて、最新の Amazon リランカー モデルを使用します。このモデルを使用して、文書の関連性スコアを改善し、状況に応じた評価に基づいて結果を並べ替えます。

Use parallel processing with asynchronous API calls. Use toxicity detection for offensive content. Use prompt safety classification for inappropriate advice solicitation. Use personally identifiable information (PII) detection without redaction.

使用异步 API 调用的并行处理。对令人反感的内容使用毒性检测。使用及时的安全分类来征求不适当的建议。使用个人身份信息 (PII) 检测而不进行编辑。

非同期 API 呼び出しで並列処理を使用します。攻撃的なコンテンツには毒性検出を使用します。不適切なアドバイスの勧誘については、迅速な安全分類を使用してください。編集せずに個人識別情報 (PII) 検出を使用します。

Use custom classification to build an FM that detects offensive content and inappropriate advice solicitation. Apply personally identifiable information (PII) detection as a secondary filter only when messages pass the custom classifier.

使用自定义分类构建可检测攻击性内容和不当建议征求的 FM。仅当邮件通过自定义分类器时，才应用个人身份信息 (PII) 检测作为辅助过滤器。

カスタム分類を使用して、不快なコンテンツや不適切なアドバイスの勧誘を検出する FM を構築します。メッセージがカスタム分類子を通過する場合にのみ、個人を特定できる情報 (PII) 検出を二次フィルターとして適用します。

Deploy a multi-stage process. Configure the process to use prompt safety classification first, then toxicity detection on safe prompts only, and finally personally identifiable information (PII) detection in streaming mode. Route flagged messages through Amazon EventBridge for human review.

部署多阶段流程。将流程配置为首先使用提示安全分类，然后仅在安全提示上进行毒性检测，最后在流模式下进行个人身份信息 (PII) 检测。通过 Amazon EventBridge 路由标记的消息以供人工审核。

複数段階のプロセスを展開します。最初にプロンプ​​ト安全性分類を使用し、次に安全なプロンプトのみで毒性検出を使用し、最後にストリーミング モードで個人識別情報 (PII) 検出を使用するようにプロセスを構成します。フラグの付いたメッセージを Amazon EventBridge 経由でルーティングし、人間によるレビューを行います。

Use toxicity detection with thresholds configured to 0.5 for all categories. Use parallel processing for both prompt safety classification and personally identifiable information (PII) detection with entity redaction. Apply Amazon CloudWatch alarms to filter metrics.

使用毒性检测，所有类别的阈值配置为 0.5。使用并行处理进行即时安全分类和个人身份信息 (PII) 检测以及实体编辑。应用 Amazon CloudWatch 警报来筛选指标。

すべてのカテゴリでしきい値を 0.5 に設定して毒性検出を使用します。即時安全性分類とエンティティ秘匿化による個人識別情報 (PII) 検出の両方に並列処理を使用します。 Amazon CloudWatch アラームを適用してメトリクスをフィルターします。

Use Amazon Bedrock Knowledge Bases to implement a RAG architecture to analyze customer travel history data to give the application semantic search capabilities. Use the semantic search capabilities to retrieve relevant booking patterns, preferences, and loyalty information to generate personalized cabin upgrade recommendations. Apply Amazon Bedrock guardrails to filter content. Use AWS Step Functions and AWS Lambda functions to orchestrate validation workflows to reduce hallucinations.

使用 Amazon Bedrock 知识库实施 RAG 架构来分析客户旅行历史数据，从而为应用程序提供语义搜索功能。使用语义搜索功能检索相关的预订模式、偏好和忠诚度信息，以生成个性化的客舱升级建议。应用 Amazon Bedrock 护栏来过滤内容。使用 AWS Step Functions 和 AWS Lambda 函数来编排验证工作流程以减少幻觉。

Amazon Bedrock Knowledge Bases を使用して RAG アーキテクチャを実装し、顧客の旅行履歴データを分析し、アプリケーションにセマンティック検索機能を提供します。セマンティック検索機能を使用して、関連する予約パターン、好み、ロイヤルティ情報を取得し、パーソナライズされた客室アップグレードの推奨事項を生成します。 Amazon Bedrock ガードレールを適用してコンテンツをフィルタリングします。 AWS Step Functions と AWS Lambda 関数を使用して検証ワークフローを調整し、幻覚を軽減します。

Implement text-to-SQL transformations with SQL validations to accurately retrieve relevant booking patterns, preferences, and loyalty information from the RDS database. Use the results to generate personalized cabin upgrade recommendations. Apply Amazon Bedrock guardrails to filter content. Use AWS Step Functions and AWS Lambda functions to orchestrate validation workflows to reduce hallucinations.

通过 SQL 验证实现文本到 SQL 的转换，以从 RDS 数据库中准确检索相关的预订模式、偏好和忠诚度信息。使用结果生成个性化的客舱升级建议。应用 Amazon Bedrock 护栏来过滤内容。使用 AWS Step Functions 和 AWS Lambda 函数来编排验证工作流程以减少幻觉。

SQL 検証を使用してテキストから SQL への変換を実装し、関連する予約パターン、好み、ロイヤルティ情報を RDS データベースから正確に取得します。結果を使用して、パーソナライズされた客室アップグレードの推奨事項を生成します。 Amazon Bedrock ガードレールを適用してコンテンツをフィルタリングします。 AWS Step Functions と AWS Lambda 関数を使用して検証ワークフローを調整し、幻覚を軽減します。

Use Amazon OpenSearch Service to implement vector searches of customer travel history embeddings. Use the vector searches to give the application the ability to perform similarity-based retrieval of booking patterns, preferences, and loyalty information to generate personalized cabin upgrade recommendations. Apply Amazon Bedrock guardrails to filter responses. Use confidence scoring and semantic similarity searches to reduce hallucinations.

使用 Amazon OpenSearch Service 实施客户旅行历史嵌入的矢量搜索。使用矢量搜索使应用程序能够执行基于相似性的预订模式、偏好和忠诚度信息检索，以生成个性化的客舱升级建议。应用 Amazon Bedrock 护栏来过滤响应。使用置信度评分和语义相似性搜索来减少幻觉。

Amazon OpenSearch Service を使用して、顧客の旅行履歴の埋め込みのベクトル検索を実装します。ベクトル検索を使用すると、予約パターン、好み、ロイヤルティ情報の類似性に基づいた検索を実行して、パーソナライズされた客室アップグレードの推奨事項を生成できる機能をアプリケーションに提供できます。 Amazon Bedrock ガードレールを適用して応答をフィルターします。信頼度スコアリングと意味的類似性検索を使用して幻覚を軽減します。

Implement text-to-SQL transformations with SQL validations to accurately retrieve relevant booking patterns, preferences, and loyalty information from the RDS database. Use the results to generate personalized cabin upgrade recommendations. Apply Amazon Bedrock guardrails to filter responses. Use confidence scoring and semantic similarity searches to reduce hallucinations.

通过 SQL 验证实现文本到 SQL 的转换，以从 RDS 数据库中准确检索相关的预订模式、偏好和忠诚度信息。使用结果生成个性化的客舱升级建议。应用 Amazon Bedrock 护栏来过滤响应。使用置信度评分和语义相似性搜索来减少幻觉。

SQL 検証を使用してテキストから SQL への変換を実装し、関連する予約パターン、好み、ロイヤルティ情報を RDS データベースから正確に取得します。結果を使用して、パーソナライズされた客室アップグレードの推奨事項を生成します。 Amazon Bedrock ガードレールを適用して応答をフィルターします。信頼度スコアリングと意味的類似性検索を使用して幻覚を軽減します。

Configure a cross-Region Amazon Bedrock guardrail to apply sensitive information filters. Set the guardrail to detect mode during development and testing. Switch to block mode for production deployment.

配置跨区域 Amazon Bedrock 护栏以应用敏感信息过滤器。在开发和测试过程中将护栏设置为检测模式。切换到块模式进行生产部署。

クロスリージョン Amazon Bedrock ガードレールを設定して機密情報フィルターを適用します。開発およびテスト中にガードレールを検出モードに設定します。実稼働デプロイメントの場合はブロック モードに切り替えます。

Configure an Amazon Bedrock guardrail to apply sensitive information filters. Set the guardrail to mask mode during development and testing. Switch to block mode for production deployment. Deploy a copy of the guardrail to each Region where the company operates.

配置 Amazon Bedrock 护栏以应用敏感信息过滤器。在开发和测试过程中将护栏设置为屏蔽模式。切换到块模式进行生产部署。将护栏副本部署到公司运营的每个区域。

Amazon Bedrock ガードレールを設定して機密情報フィルターを適用します。開発およびテスト中にガードレールをマスク モードに設定します。実稼働デプロイメントの場合はブロック モードに切り替えます。会社が事業を展開している各リージョンにガードレールのコピーを展開します。

Configure an Amazon Bedrock guardrail to apply content and topic filters. Set the guardrail to detect mode during development, testing, and production. Disable invocation logging for the Amazon Bedrock model.

配置 Amazon Bedrock 护栏以应用内容和主题过滤器。在开发、测试和生产过程中将护栏设置为检测模式。禁用 Amazon Bedrock 模型的调用日志记录。

コンテンツフィルターとトピックフィルターを適用するように Amazon Bedrock ガードレールを設定します。開発、テスト、運用中にガードレールを検出モードに設定します。 Amazon Bedrock モデルの呼び出しログを無効にします。

Configure a cross-Region Amazon Bedrock guardrail to apply a set of content and word filters. Set the guardrail to detect mode during development and testing. Switch to mask mode for production deployment.

配置跨区域 Amazon Bedrock 护栏以应用一组内容和文字过滤器。在开发和测试过程中将护栏设置为检测模式。切换到掩码模式进行生产部署。

クロスリージョン Amazon Bedrock ガードレールを設定して、コンテンツ フィルターと単語フィルターのセットを適用します。開発およびテスト中にガードレールを検出モードに設定します。実稼働デプロイメント用にマスク モードに切り替えます。

Use Amazon Titan Embeddings in Amazon Bedrock to create vector representations of the digitized files. Store embeddings in the OpenSearch Neural Plugin for Amazon OpenSearch Service.

使用 Amazon Bedrock 中的 Amazon Titan Embeddings 创建数字化文件的矢量表示。将嵌入存储在 Amazon OpenSearch Service 的 OpenSearch 神经插件中。

Amazon Bedrock の Amazon Titan 埋め込みを使用して、デジタル化されたファイルのベクトル表現を作成します。 Amazon OpenSearch Service 用の OpenSearch Neural Plugin に埋め込みを保存します。

Use Amazon Comprehend to extract topics from the digitized files. Store the topics and file metadata in an Amazon Aurora PostgreSQL database. Query the abstract metadata against the data in the Aurora database.

使用 Amazon Comprehend 从数字化文件中提取主题。将主题和文件元数据存储在 Amazon Aurora PostgreSQL 数据库中。根据 Aurora 数据库中的数据查询抽象元数据。

Amazon Comprehend を使用して、デジタル化されたファイルからトピックを抽出します。トピックとファイルのメタデータを Amazon Aurora PostgreSQL データベースに保存します。 Aurora データベース内のデータに対して抽象メタデータをクエリします。

Use Amazon SageMaker AI to deploy a sentence-transformer model. Use the model to create vector representations of the digitized files. Store embeddings in an Amazon Aurora PostgreSQL database that has the pgvector extension.

使用 Amazon SageMaker AI 部署句子转换器模型。使用该模型创建数字化文件的矢量表示。将嵌入存储在具有 pgvector 扩展名的 Amazon Aurora PostgreSQL 数据库中。

Amazon SageMaker AI を使用して文変換モデルをデプロイします。モデルを使用して、デジタル化されたファイルのベクトル表現を作成します。 pgvector 拡張子を持つ Amazon Aurora PostgreSQL データベースに埋め込みを保存します。

Use Amazon Titan Embeddings in Amazon Bedrock to create vector representations of the digitized files. Store embeddings in an Amazon Aurora PostgreSQL Serverless database that has the pgvector extension.

使用 Amazon Bedrock 中的 Amazon Titan Embeddings 创建数字化文件的矢量表示。将嵌入存储在具有 pgvector 扩展名的 Amazon Aurora PostgreSQL Serverless 数据库中。

Amazon Bedrock の Amazon Titan 埋め込みを使用して、デジタル化されたファイルのベクトル表現を作成します。 pgvector 拡張子を持つ Amazon Aurora PostgreSQL サーバーレス データベースに埋め込みを保存します。

Use AWS Step Functions to orchestrate a workflow to process the recordings. Configure steps to invoke Amazon Transcribe to convert audio to text, validate job completion, and to invoke an AWS Lambda function to process the text by using Amazon Bedrock FMs to generate structured analysis output.

使用 AWS Step Functions 编排工作流程来处理录制内容。配置步骤以调用 Amazon Transcribe 将音频转换为文本、验证作业完成情况，以及调用 AWS Lambda 函数以使用 Amazon Bedrock FM 生成结构化分析输出来处理文本。

AWS Step Functions を使用して、記録を処理するワークフローを調整します。 Amazon Transcribe を呼び出して音声をテキストに変換し、ジョブの完了を検証し、AWS Lambda 関数を呼び出して Amazon Bedrock FM を使用してテキストを処理し、構造化分析出力を生成するステップを構成します。

Use AWS Step Functions to orchestrate a workflow to process the recordings. Configure steps to invoke Amazon Transcribe to convert audio to text, validate job completion, and to directly invoke Amazon Bedrock FMs to generate summaries and sentiment analysis in JSON format.

使用 AWS Step Functions 编排工作流程来处理录制内容。配置步骤以调用 Amazon Transcribe 将音频转换为文本、验证作业完成情况以及直接调用 Amazon Bedrock FM 以生成 JSON 格式的摘要和情绪分析。

AWS Step Functions を使用して、記録を処理するワークフローを調整します。 Amazon Transcribe を呼び出して音声をテキストに変換し、ジョブの完了を検証し、Amazon Bedrock FM を直接呼び出して概要とセンチメント分析を JSON 形式で生成するステップを構成します。

Use AWS Step Functions to orchestrate a workflow to process the recordings. Configure steps to invoke Amazon Transcribe to convert audio to text, validate job completion, and to invoke an AWS Lambda function to create a prompt to invoke Amazon Bedrock FMs to generate structured analysis output.

使用 AWS Step Functions 编排工作流程来处理录制内容。配置调用 Amazon Transcribe 将音频转换为文本、验证作业完成情况以及调用 AWS Lambda 函数以创建调用 Amazon Bedrock FM 生成结构化分析输出的提示的步骤。

AWS Step Functions を使用して、記録を処理するワークフローを調整します。 Amazon Transcribe を呼び出して音声をテキストに変換し、ジョブの完了を検証し、AWS Lambda 関数を呼び出して Amazon Bedrock FM を呼び出して構造化分析出力を生成するためのプロンプトを作成するステップを構成します。

Configure the source S3 bucket to send events to Amazon EventBridge. Create an EventBridge rule to invoke the Step Functions workflow when an object is created in the bucket.

配置源 S3 存储桶以将事件发送到 Amazon EventBridge。创建一个 EventBridge 规则，以便在存储桶中创建对象时调用 Step Functions 工作流。

イベントを Amazon EventBridge に送信するようにソース S3 バケットを設定します。バケット内にオブジェクトが作成されたときに Step Functions ワークフローを呼び出す EventBridge ルールを作成します。

Configure the source S3 bucket to send notifications to the Step Functions workflow when an object is created in the bucket.

配置源 S3 存储桶，以便在存储桶中创建对象时向 Step Functions 工作流发送通知。

バケット内にオブジェクトが作成されたときに Step Functions ワークフローに通知を送信するようにソース S3 バケットを設定します。

Enable Amazon Macie PII detection on the S3 bucket. Use an S3 trigger to invoke an AWS Lambda function that redacts PII from the reports. Configure the Lambda function to delete outdated documents from the bucket and to invoke knowledge base syncing.

在 S3 存储桶上启用 Amazon Macie PII 检测。使用 S3 触发器调用 AWS Lambda 函数，该函数从报告中编辑 PII。配置 Lambda 函数以从存储桶中删除过期文档并调用知识库同步。

S3 バケットで Amazon Macie PII 検出を有効にします。 S3 トリガーを使用して、レポートから PII を編集する AWS Lambda 関数を呼び出します。古いドキュメントをバケットから削除し、ナレッジベースの同期を呼び出すように Lambda 関数を設定します。

Invoke an AWS Lambda function to sync the S3 bucket and the knowledge base when a new report is uploaded to the bucket. Use a second Lambda function to invoke Amazon Comprehend to detect and redact PII if a user is part of the engineer Cognito user group. Set up an S3 Lifecycle configuration to remove reports that are older than 3 years from the bucket.

当新报告上传到存储桶时，调用 AWS Lambda 函数以同步 S3 存储桶和知识库。如果用户属于工程师 Cognito 用户组，则使用第二个 Lambda 函数调用 Amazon Comprehend 来检测和编辑 PII。设置 S3 生命周期配置以从存储桶中删除超过 3 年的报告。

新しいレポートがバケットにアップロードされるときに、AWS Lambda 関数を呼び出して S3 バケットとナレッジベースを同期します。ユーザーがエンジニア Cognito ユーザーグループのメンバーである場合、2 番目の Lambda 関数を使用して Amazon Comprehend を呼び出し、PII を検出して編集します。 S3 ライフサイクル設定をセットアップして、3 年以上古いレポートをバケットから削除します。

Set up an S3 Lifecycle configuration on the bucket to remove reports that are older than 3 years. Schedule an AWS Lambda function to run daily syncs between the bucket and the knowledge base. When users interact with the AI assistant, call the ApplyGuardrail configuration that matches the user's Cognito user group to redact PII from the agent’s responses if appropriate.

在存储桶上设置 S3 生命周期配置以删除超过 3 年的报告。安排 AWS Lambda 函数在存储桶和知识库之间运行每日同步。当用户与 AI 助手交互时，调用与用户的 Cognito 用户组匹配的 ApplyGuardrail 配置，以在适当的情况下从代理的响应中编辑 PII。

3 年以上古いレポートを削除するには、バケットに S3 ライフサイクル構成を設定します。バケットとナレッジベースの間で毎日の同期を実行するように AWS Lambda 関数をスケジュールします。ユーザーが AI アシスタントと対話するときは、ユーザーの Cognito ユーザー グループに一致する applyGuardrail 構成を呼び出して、必要に応じてエージェントの応答から PII を編集します。

Create a second knowledge base. Set up an S3 Lifecycle configuration on the bucket to remove reports that are older than 3 years. Invoke an AWS Lambda function that syncs the bucket with the original knowledge base when a new report is uploaded to the bucket. Use Amazon Comprehend to detect and redact PII before syncing the bucket with the second knowledge base. When a user interacts with the AI assistant, redirect the model to the appropriate knowledge base depending on the user’s Cognito user group.

创建第二个知识库。在存储桶上设置 S3 生命周期配置以删除超过 3 年的报告。当新报告上传到存储桶时，调用 AWS Lambda 函数将存储桶与原始知识库同步。在将存储桶与第二个知识库同步之前，使用 Amazon Comprehend 检测并编辑 PII。当用户与 AI 助手交互时，根据用户的 Cognito 用户组将模型重定向到适当的知识库。

2 番目のナレッジ ベースを作成します。 3 年以上古いレポートを削除するには、バケットに S3 ライフサイクル構成を設定します。新しいレポートがバケットにアップロードされるときに、バケットを元のナレッジベースと同期する AWS Lambda 関数を呼び出します。バケットを 2 番目のナレッジベースと同期する前に、Amazon Comprehend を使用して PII を検出して編集します。ユーザーが AI アシスタントと対話するとき、ユーザーの Cognito ユーザー グループに応じてモデルを適切なナレッジ ベースにリダイレクトします。

Create CloudWatch dashboards that include technical metrics and imported business metrics. Configure CloudWatch composite alarms that combine technical data and business data. Use Amazon SNS to set up notifications to stakeholders.

创建包含技术指标和导入的业务指标的 CloudWatch 控制面板。配置结合技术数据和业务数据的 CloudWatch 复合警报。使用 Amazon SNS 设置给利益相关者的通知。

技術メトリクスとインポートされたビジネスメトリクスを含む CloudWatch ダッシュボードを作成します。技術データとビジネスデータを組み合わせた CloudWatch 複合アラームを構成します。 Amazon SNS を使用して関係者への通知を設定します。

Use Amazon Managed Grafana to visualize technical metrics from CloudWatch with business metrics from external sources. Configure Amazon Managed Grafana alerts to invoke AWS Lambda functions. Configure the Lambda functions to remediate issues automatically when metrics exceed predefined thresholds.

使用 Amazon Managed Grafana 将 CloudWatch 中的技术指标与外部来源的业务指标进行可视化。配置 Amazon Managed Grafana 警报以调用 AWS Lambda 函数。配置 Lambda 函数以在指标超过预定义阈值时自动修复问题。

Amazon Managed Grafana を使用して、CloudWatch からの技術メトリクスと外部ソースからのビジネスメトリクスを視覚化します。 AWS Lambda 関数を呼び出すように Amazon Managed Grafana アラートを設定します。メトリクスが事前定義されたしきい値を超えた場合に問題を自動的に修復するように Lambda 関数を設定します。

Stream CloudWatch metrics to Amazon S3 by using CloudWatch metric streams. Create Amazon QuickSight dashboards to visualize the combined technical metrics and business metrics. Set up Amazon EventBridge rules to send notifications to stakeholders when metrics exceed predefined thresholds.

使用 CloudWatch 指标流将 CloudWatch 指标流式传输到 Amazon S3。创建 Amazon QuickSight 仪表板以可视化组合的技术指标和业务指标。设置 Amazon EventBridge 规则，以便在指标超过预定义阈值时向利益相关者发送通知。

CloudWatch メトリクス ストリームを使用して、CloudWatch メトリクスを Amazon S3 にストリーミングします。 Amazon QuickSight ダッシュボードを作成して、技術メトリクスとビジネスメトリクスを組み合わせて視覚化します。メトリクスが事前定義されたしきい値を超えたときに関係者に通知を送信するように Amazon EventBridge ルールを設定します。

Configure CloudWatch custom dashboards that integrate operational metrics with imported business metrics. Set up CloudWatch composite alarms with anomaly detection. Use Amazon SNS to create alarm actions to notify stakeholders when correlated metrics indicate performance issues.

配置将运营指标与导入的业务指标集成的 CloudWatch 自定义控制面板。设置具有异常检测功能的 CloudWatch 复合警报。使用 Amazon SNS 创建警报操作，以便在相关指标指示性能问题时通知利益相关者。

運用メトリクスとインポートされたビジネスメトリクスを統合する CloudWatch カスタム ダッシュボードを構成します。異常検出を備えた CloudWatch 複合アラームをセットアップします。 Amazon SNS を使用してアラームアクションを作成し、相関メトリクスがパフォーマンスの問題を示したときに関係者に通知します。

Deploy an AWS Lambda function that is exposed by a private Amazon API Gateway REST API to a VPC in eu-north-1. Create a VPC endpoint for the selected FM in eu-central-1 and eu-west-3. Extend existing SCPs to allow employees to use the FM. Integrate the REST API with the business application.

部署由私有 Amazon API Gateway REST API 向 eu-north-1 中的 VPC 公开的 AWS Lambda 函数。在 eu-central-1 和 eu-west-3 中为选定的 FM 创建 VPC 终端节点。扩展现有 SCP 以允许员工使用 FM。将 REST API 与业务应用程序集成。

プライベート Amazon API Gateway REST API によって公開される AWS Lambda 関数を eu-north-1 の VPC にデプロイします。選択した FM の VPC エンドポイントを eu-central-1 と eu-west-3 に作成します。既存の SCP を拡張して、従業員が FM を使用できるようにします。 REST APIをビジネスアプリケーションと統合します。

Deploy the FM on Amazon EC2 instances in eu-north-1. Deploy a private Amazon API Gateway REST API in front of the EC2 instances. Configure an Amazon Bedrock VPC endpoint. Integrate the REST API with the business application.

在 eu-north-1 中的 Amazon EC2 实例上部署 FM。在 EC2 实例前面部署私有 Amazon API Gateway REST API。配置 Amazon Bedrock VPC 终端节点。将 REST API 与业务应用程序集成。

eu-north-1 の Amazon EC2 インスタンスに FM をデプロイします。プライベート Amazon API Gateway REST API を EC2 インスタンスの前にデプロイします。 Amazon Bedrock VPC エンドポイントを設定します。 REST APIをビジネスアプリケーションと統合します。

Configure the FM to use cross-Region inference through an eu.amazon.* endpoint to ensure that all calls remain within Europe. Configure an Amazon Bedrock VPC endpoint. Extend existing SCPs to allow employees to use the FM through inference profiles in Europe-based Regions where the FM is available. Use an inference profile to integrate Amazon Bedrock with the business application.

将 FM 配置为通过 eu.amazon.* 端点使用跨区域推理，以确保所有呼叫均位于欧洲范围内。配置 Amazon Bedrock VPC 终端节点。扩展现有 SCP，以允许员工在可使用 FM 的欧洲区域通过推理配置文件使用 FM。使用推理配置文件将 Amazon Bedrock 与业务应用程序集成。

すべての通話がヨーロッパ内にとどまるように、eu.amazon.* エンドポイントを介してクロスリージョン推論を使用するように FM を構成します。 Amazon Bedrock VPC エンドポイントを設定します。既存の SCP を拡張して、FM が利用可能なヨーロッパを拠点とするリージョンで従業員が推論プロファイルを通じて FM を使用できるようにします。推論プロファイルを使用して、Amazon Bedrock をビジネス アプリケーションと統合します。

Deploy the FM in Amazon SageMaker AI in eu-north-1. Configure a SageMaker AI VPC endpoint. Extend existing SCPs to allow employees to use the SageMaker AI endpoint. Integrate the FM in SageMaker AI with the business application.

在 eu-north-1 中的 Amazon SageMaker AI 中部署 FM。配置 SageMaker AI VPC 终端节点。扩展现有 SCP 以允许员工使用 SageMaker AI 端点。将 SageMaker AI 中的 FM 与业务应用程序集成。

eu-north-1 の Amazon SageMaker AI に FM をデプロイします。 SageMaker AI VPC エンドポイントを構成します。既存の SCP を拡張して、従業員が SageMaker AI エンドポイントを使用できるようにします。 SageMaker AI の FM をビジネス アプリケーションと統合します。

Use Amazon API Gateway to route incoming queries to an Amazon Bedrock agent. Configure the agent to use an Anthropic Claude model to decompose queries and an Amazon Titan model to expand queries. Create an Amazon Bedrock knowledge base to store the reference medical documents.

使用 Amazon API Gateway 将传入查询路由到 Amazon Bedrock 代理。配置代理以使用 Anthropic Claude 模型来分解查询，并使用 Amazon Titan 模型来扩展查询。创建 Amazon Bedrock 知识库来存储参考医疗文档。

Amazon API Gateway を使用して、受信クエリを Amazon Bedrock エージェントにルーティングします。 Anthropic Claude モデルを使用してクエリを分解し、Amazon Titan モデルを使用してクエリを拡張するようにエージェントを設定します。 Amazon Bedrock ナレッジベースを作成して、参照医療文書を保存します。

Configure an Amazon Bedrock knowledge base to store the reference medical documents. Enable query decomposition in the knowledge base. Configure an Amazon Bedrock flow that uses a foundation model (FM) and the knowledge base to support the application.

配置 Amazon Bedrock 知识库来存储参考医疗文档。在知识库中启用查询分解。配置使用基础模型 (FM) 和知识库来支持应用程序的 Amazon Bedrock 流。

参照医療文書を保存するように Amazon Bedrock ナレッジベースを設定します。ナレッジ ベースでクエリ分解を有効にします。アプリケーションをサポートするために基盤モデル (FM) とナレッジベースを使用する Amazon Bedrock フローを設定します。

Use Amazon SageMaker Al to host custom ML models for both query decomposition and query expansion. Configure Amazon Bedrock knowledge bases to store the reference medical documents. Encrypt the documents in the knowledge base.

使用 Amazon SageMaker Al 托管自定义 ML 模型以进行查询分解和查询扩展。配置 Amazon Bedrock 知识库以存储参考医疗文档。对知识库中的文档进行加密。

Amazon SageMaker Al を使用して、クエリ分解とクエリ拡張の両方のカスタム ML モデルをホストします。参照医療文書を保存するように Amazon Bedrock ナレッジベースを設定します。ナレッジ ベース内のドキュメントを暗号化します。

Create an Amazon Bedrock agent to orchestrate multiple AWS Lambda functions to decompose queries. Create an Amazon Bedrock knowledge base to store the reference medical documents. Use the agent's built-in knowledge base capabilities. Add deep research and reasoning capabilities to the agent to reduce ambiguity in the medical terminology.

创建 Amazon Bedrock 代理来协调多个 AWS Lambda 函数来分解查询。创建 Amazon Bedrock 知识库来存储参考医疗文档。使用代理的内置知识库功能。为代理添加深入的研究和推理功能，以减少医学术语中的歧义。

Amazon Bedrock エージェントを作成して、複数の AWS Lambda 関数を調整してクエリを分解します。 Amazon Bedrock ナレッジベースを作成して、参照医療文書を保存します。エージェントの組み込みナレッジ ベース機能を使用します。エージェントに詳細な調査と推論機能を追加して、医学用語の曖昧さを軽減します。

Create an AWS Lambda function that sends sample customer inquiries to multiple Amazon Bedrock model configurations and stores responses in Amazon S3. Use Amazon QuickSight to visualize response patterns. Manually review outputs daily. Use AWS CodePipeline to deploy the configurations that have quality scores above the specified quality threshold.

创建一个 AWS Lambda 函数，将示例客户查询发送到多个 Amazon Bedrock 模型配置并将响应存储在 Amazon S3 中。使用 Amazon QuickSight 可视化响应模式。每天手动检查输出。使用 AWS CodePipeline 部署质量分数高于指定质量阈值的配置。

顧客からの問い合わせのサンプルを複数の Amazon Bedrock モデル設定に送信し、応答を Amazon S3 に保存する AWS Lambda 関数を作成します。 Amazon QuickSight を使用して応答パターンを視覚化します。毎日出力を手動で確認します。 AWS CodePipeline を使用して、指定された品質しきい値を超える品質スコアを持つ構成をデプロイします。

Use Amazon Bedrock evaluation jobs to compare model outputs by using custom prompt datasets. Configure AWS CodePipeline to run the evaluation jobs when prompt templates change. Configure CodePipeline to deploy the configurations that have quality scores above the specified quality threshold.

使用 Amazon Bedrock 评估作业通过自定义提示数据集来比较模型输出。配置 AWS CodePipeline 以在提示模板更改时运行评估作业。配置 CodePipeline 以部署质量分数高于指定质量阈值的配置。

Amazon Bedrock 評価ジョブを使用して、カスタム プロンプト データセットを使用してモデル出力を比較します。プロンプトテンプレートが変更されたときに評価ジョブを実行するように AWS CodePipeline を設定します。指定された品質しきい値を超える品質スコアを持つ構成をデプロイするように CodePipeline を構成します。

Set up Amazon CloudWatch alarms to monitor response latency and error rates from Amazon Bedrock. Use Amazon EventBridge rules to notify the company when latency and error rate metrics exceed thresholds. Configure an approval workflow in AWS Systems Manager to perform manual quality checks.

设置 Amazon CloudWatch 警报以监控 Amazon Bedrock 的响应延迟和错误率。当延迟和错误率指标超过阈值时，使用 Amazon EventBridge 规则通知公司。在 AWS Systems Manager 中配置审批工作流程以执行手动质量检查。

Amazon CloudWatch アラームを設定して、Amazon Bedrock からの応答レイテンシーとエラー率を監視します。 Amazon EventBridge ルールを使用して、レイテンシーとエラー率のメトリクスがしきい値を超えたときに会社に通知します。 AWS Systems Manager で承認ワークフローを設定し、手動の品質チェックを実行します。

Use AWS Lambda functions to create an automated testing framework that samples production traffic and routes duplicate requests to the updated model version. Use Amazon Comprehend sentiment analysis to compare results. Block deployment if sentiment scores decrease.

使用 AWS Lambda 函数创建一个自动化测试框架，对生产流量进行采样并将重复请求路由到更新的模型版本。使用 Amazon Comprehend 情绪分析来比较结果。如果情绪分数下降，则阻止部署。

AWS Lambda 関数を使用して、本番トラフィックをサンプリングし、重複したリクエストを更新されたモデル バージョンにルーティングする自動テスト フレームワークを作成します。 Amazon Comprehend センチメント分析を使用して結果を比較します。感情スコアが低下した場合は展開をブロックします。

Use an Amazon Bedrock Guardrails filter on the prompt. Set the input filter strength to HIGH.

根据提示使用 Amazon Bedrock Guardrails 过滤器。将输入滤波器强度设置为“高”。

プロンプトで Amazon Bedrock Guardrails フィルターを使用します。入力フィルターの強度を「HIGH」に設定します。

Generate multiple response variants that include the promotional message in different ways. Use a reranker model to select the most coherent version based on relevance to the original prompt.

生成多种响应变体，其中以不同方式包含促销信息。使用重新排序模型根据与原始提示的相关性来选择最连贯的版本。

さまざまな方法でプロモーション メッセージを含む複数の応答バリアントを生成します。リランカー モデルを使用して、元のプロンプトとの関連性に基づいて最も一貫性のあるバージョンを選択します。

Run the prompt through Amazon Bedrock. Process the response through Amazon Bedrock Agents to add the promotional message. Rerank the results by using the original prompt and the desired message as context.

通过 Amazon Bedrock 运行提示。通过 Amazon Bedrock Agents 处理响应以添加促销消息。使用原始提示和所需消息作为上下文对结果重新排序。

Amazon Bedrock を通じてプロンプトを実行します。 Amazon Bedrock Agent を通じて応答を処理し、プロモーション メッセージを追加します。元のプロンプトと目的のメッセージをコンテキストとして使用して、結果を再ランク付けします。

Reinforce the requirement to include the new promotional message within product recommendations by using an output indicator in prompts to the FM.

通过在 FM 提示中使用输出指示器，强化将新促销信息包含在产品推荐中的要求。

FM へのプロンプトで出力インジケーターを使用して、製品推奨事項に新しいプロモーション メッセージを含めるという要件を強化します。

Configure SAML federation between Microsoft Entra ID and IAM. Create department-specific IAM roles that allow only the required ModelId values. Create AWS PrivateLink interface VPC endpoints for Amazon Bedrock runtime services. Enable AWS CloudTrail to capture Amazon Bedrock API calls. Configure Amazon Bedrock model invocation logging to record detailed model interactions.

配置 Microsoft Entra ID 和 IAM 之间的 SAML 联合。创建仅允许所需 ModelId 值的部门特定 IAM 角色。为 Amazon Bedrock 运行时服务创建 AWS PrivateLink 接口 VPC 终端节点。启用 AWS CloudTrail 以捕获 Amazon Bedrock API 调用。配置 Amazon Bedrock 模型调用日志记录以记录详细的模型交互。

Microsoft Entra ID と IAM の間の SAML フェデレーションを構成します。必要な ModelId 値のみを許可する部門固有の IAM ロールを作成します。 Amazon Bedrock ランタイム サービス用の AWS PrivateLink インターフェイス VPC エンドポイントを作成します。 AWS CloudTrail が Amazon Bedrock API 呼び出しをキャプチャできるようにします。 Amazon Bedrock モデル呼び出しのログを設定して、モデルの詳細な対話を記録します。

Create an identity provider (IdP) connection in IAM to authenticate by using Microsoft Entra ID. Assign department permission sets to control access to specific model families. Deploy AWS Lambda functions in private subnets with a NAT gateway for egress to Amazon Bedrock public endpoints. Enable CloudWatch Logs to capture model interactions for auditing purposes.

在 IAM 中创建身份提供商 (IdP) 连接以使用 Microsoft Entra ID 进行身份验证。分配部门权限集以控制对特定模型系列的访问。在私有子网中部署 AWS Lambda 函数，并使用 NAT 网关出口到 Amazon Bedrock 公共终端节点。启用 CloudWatch Logs 来捕获模型交互以进行审计。

IAM でアイデンティティ プロバイダー (IdP) 接続を作成し、Microsoft Entra ID を使用して認証します。部門権限セットを割り当てて、特定のモデル ファミリへのアクセスを制御します。 Amazon Bedrock パブリック エンドポイントへの下り用に NAT ゲートウェイを使用して、プライベート サブネットに AWS Lambda 関数をデプロイします。 CloudWatch Logs を有効にして、監査目的でモデルのインタラクションをキャプチャします。

Create a SAML identity provider (IdP) in IAM to authenticate by using Microsoft Entra ID. Use IAM permissions boundaries to limit department roles’ access to specific model families. Configure public Amazon Bedrock API endpoints with VPC routing to maintain private network connectivity. Set up AWS CloudTrail with Amazon S3 Lifecycle rules to manage audit logs of model interactions.

在 IAM 中创建 SAML 身份提供商 (IdP)，以使用 Microsoft Entra ID 进行身份验证。使用 IAM 权限边界来限制部门角色对特定模型系列的访问。使用 VPC 路由配置公共 Amazon Bedrock API 终端节点以维护专用网络连接。使用 Amazon S3 生命周期规则设置 AWS CloudTrail 以管理模型交互的审核日志。

IAM で SAML ID プロバイダー (IdP) を作成し、Microsoft Entra ID を使用して認証します。 IAM 権限の境界を使用して、部門の役割のアクセスを特定のモデル ファミリーに制限します。 VPC ルーティングを使用してパブリック Amazon Bedrock API エンドポイントを設定し、プライベートネットワーク接続を維持します。 Amazon S3 ライフサイクルルールを使用して AWS CloudTrail を設定し、モデルのインタラクションの監査ログを管理します。

Configure OpenID Connect (OIDC) federation between Microsoft Entra ID and IAM. Use attribute-based access control to map department attributes to specific model access permissions. Apply SCP policies to restrict access to Amazon Bedrock FM families based on department. Use Microsoft Entra ID’s built-in logging capabilities to maintain an audit trail of model interactions.

配置 Microsoft Entra ID 和 IAM 之间的 OpenID Connect (OIDC) 联合。使用基于属性的访问控制将部门属性映射到特定模型访问权限。应用 SCP 策略以根据部门限制对 Amazon Bedrock FM 系列的访问。使用 Microsoft Entra ID 的内置日志记录功能来维护模型交互的审核跟踪。

Microsoft Entra ID と IAM の間の OpenID Connect (OIDC) フェデレーションを構成します。属性ベースのアクセス制御を使用して、部門の属性を特定のモデルのアクセス許可にマップします。 SCP ポリシーを適用して、部門に基づいて Amazon Bedrock FM ファミリへのアクセスを制限します。 Microsoft Entra ID の組み込みログ機能を使用して、モデルの対話の監査証跡を維持します。