背景
組織通常同時擁有結構化資料（如資料庫與試算表中的指標、銷售數字）與非結構化資料（如文件、報告、檔案系統中的 PDF）。傳統上，分析這兩類資料需要切換多個工具、執行獨立查詢並手動關聯結果。Amazon Quick 旨在透過統一體驗解決此問題，讓使用者能透過單一對話式 AI 代理同時查詢這兩種資料來源。 AWS ML Blog
發生什麼事
Amazon Quick 允許使用者透過 enriched datasets（增強資料集）連接結構化資料，並透過 S3-backed knowledge bases（以 S3 為後端的知識庫）連接非結構化資料，再透過單一對話式 AI 代理查詢兩者。使用者可建立自訂聊天代理（chat agent），該代理能判斷問題應查詢知識庫、資料集或兩者，並返回帶有引用的綜合回應。 AWS ML Blog
重點內容
該解決方案架構包含三個層級：資料層、工作區層與代理層。在資料層，非結構化內容存於 Amazon S3 並透過知識庫索引；結構化資料則載入為「增強資料集」（enriched datasets），透過語義描述讓代理將自然語言問題轉換為 SQL（結構化查詢語言）。工作區層將兩種資料類型匯聚於單一上下文，可包含儀表板、檔案上傳與動作連接器。代理層則連結至工作區，並應用內建 AI 護欄（如內容安全篩檢）。 AWS ML Blog
建立流程包含三個主要步驟：首先，從 Amazon Quick 控制台連接 Amazon S3 儲存桶（bucket）並建立知識庫，索引 S3 中的文件內容；其次，上傳結構化檔案（如 CSV）建立資料集，Amazon Quick 會將其載入 SPICE（記憶體計算引擎）；最後，透過「增強」資料集，使用者需修正自動偵測錯誤的資料類型（例如將日期欄位從字串改為日期格式），並添加語義描述與自訂指令（如定義營收計算公式 Sales = Quantity x Unit Price x (1 – Discount)），以協助 AI 更準確地理解業務脈絡並生成 SQL 查詢。 原文
對使用者的意義
使用者可在單一對話中跨越結構化與非結構化來源提問。當工作區新增資料來源時，連結至該工作區的代理即可使用新資料，且回應會遵循提問使用者的權限設定。 AWS ML Blog
限制與未定事項
建立資料集需要 Amazon Quick 的 Enterprise 訂閱。Amazon S3 儲存桶必須位於與 Amazon Quick 相同的 Region。在建立知識庫時，若選擇使用文件層級的存取控制清單（ACLs），此設定在建立後無法更改。 AWS ML Blog
