Die Arbeitsteilung: Orcanos, Amazon Bedrock und AWS
Für die KI-gestützte Analyse greifen drei Ebenen ineinander:
- Orcanos stellt das strukturierte Engineering-Wissen bereit. Requirements, Risiken, CAPAs, Change Requests, Tests und weitere Datenobjekte werden mit ihren Beziehungen, Status und Versionen in einer relationalen Datenbank geführt.
- Amazon Bedrock bildet die Plattform für die KI-Verarbeitung. Die Orcanos-Integration kann ausgewählte Informationen aus der relationalen Datenbank bereitstellen. Bedrock ermöglicht den Zugriff auf unterstützte Sprachmodelle und bietet Kontrollmechanismen für Ein- und Ausgaben.
- AWS stellt die zugrunde liegende Infrastruktur bereit. Dazu gehören Rechen-, Speicher- und Netzwerkressourcen sowie Mechanismen für Identitäts- und Zugriffssteuerung, Verschlüsselung, Netzwerkisolation und Protokollierung.
Entscheidend ist das Zusammenspiel dieser Ebenen. Die KI muss nicht zuerst aus einer Vielzahl unstrukturierter Dokumente rekonstruieren, welche Requirements, Risiken und Tests miteinander verbunden sind. Diese dokumentierte Struktur kann Orcanos bereits liefern. Damit stellt sich eine konkretere Frage: Was kann eine relationale Datenbasis zuverlässig feststellen und wo beginnt der zusätzliche Nutzen der KI?
Warum die relationale Datenbasis den Unterschied macht
Von einzelnen Informationen zu verbundenem Engineering-Wissen
Produktwissen besteht nicht nur aus einzelnen Requirements, Risiken oder Testfällen. Entscheidend sind häufig die Beziehungen zwischen ihnen: Welches Risiko begründet eine Anforderung? Welche Maßnahme mindert dieses Risiko? Welches Requirement konkretisiert die Maßnahme? Welcher Test weist ihre Umsetzung nach? Eine relationale Datenbank kann solche dokumentierten Kausalketten explizit abbilden. Sind zusätzlich Rationalen hinterlegt, wird auch nachvollziehbar, warum eine bestimmte Lösung gewählt wurde. Annahmen, Abwägungen und gegebenenfalls verworfene Alternativen bleiben damit über die einzelne Entscheidung hinaus verfügbar. Das hilft insbesondere dann, wenn frühere Entscheidungen später erneut bewertet werden müssen oder ursprünglich beteiligte Mitarbeiter nicht mehr verfügbar sind.
Was Datenbankregeln zuverlässig prüfen können
Auf dieser strukturierten Grundlage lassen sich formale Fragen deterministisch beantworten: Haben die betrachteten Objekte den erforderlichen Status? Ist einer Anforderung ein Testfall zugeordnet? Gibt es zu einem Risiko eine dokumentierte Minderungsmaßnahme? Anhand dokumentierter Beziehungen und definierter Regeln lässt sich zudem ermitteln, welche weiteren Objekte in eine Änderungsprüfung einbezogen werden müssen. Die Existenz einer Beziehung beantwortet jedoch noch nicht jede fachliche Frage. Die Verbindung eines Requirements mit einem Testfall sagt beispielsweise nicht automatisch, ob der Test nach einer Änderung die fachliche Absicht des Requirements weiterhin ausreichend abdeckt. Die Datenbank liefert die dokumentierte Struktur. Für die Interpretation ihrer fachlichen Bedeutung ist zusätzlicher Kontext erforderlich. Hier setzt die KI-Analyse an.
Ein praktisches Beispiel: Änderung eines Requirements
Eine Produktfunktion soll einen kritischen Zustand künftig schneller erkennen. Dazu wird die maximal zulässige Reaktionszeit verkürzt. An diesem vereinfachten Fall lässt sich zeigen, welche Informationen aus der Datenbasis stammen und welchen zusätzlichen Beitrag die KI leisten kann.
Kausalkette: Welche Objekte hängen zusammen?
Die relationale Datenbasis bildet den dokumentierten Zusammenhang ab:
Wird das Requirement verändert, können die damit verknüpften Risiken, Maßnahmen und Testfälle gezielt in die Änderungsprüfung einbezogen werden. Die vorhandene Verbindung zum Testfall beantwortet allerdings noch nicht, ob der Test unter dem veränderten Grenzwert weiterhin fachlich ausreichend ist.
Rationale: Warum wurde die bisherige Lösung gewählt? Die dokumentierte Rationale erklärt, dass der bisherige Grenzwert gewählt wurde, um kritische Zustände rechtzeitig zu erkennen, ohne kurzzeitige Signalspitzen als Alarm auszulösen. Die ursprüngliche Entscheidung beruhte damit auf einer Abwägung zwischen Erkennungsgeschwindigkeit und Fehlalarmvermeidung. Mit der Änderung des Grenzwerts wird genau diese frühere Abwägung wieder relevant. Ohne Rationale wäre bekannt, was geändert wurde. Mit der Rationalen wird zusätzlich nachvollziehbar, welche Annahme oder Abwägung erneut geprüft werden sollte.
KI-Analyse: Was bedeutet die Änderung fachlich? Für die KI-Analyse können das geänderte Requirement, die verknüpfte Risikokontrollmaßnahme, die Rationale und die bisherigen Testbedingungen bereitgestellt werden. Daraus lassen sich konkrete Prüffragen ableiten:
- Prüft der bestehende Test nur die Reaktionsgeschwindigkeit oder auch das Verhalten bei kurzzeitigen Signalspitzen?
- Bleibt die ursprüngliche Fehlalarmvermeidung unter dem verschärften Grenzwert bestehen?
- Gibt es in zusätzlich bereitgestellten Architekturinformationen vergleichbare Erkennungsfunktionen, deren Begründungen oder Tests für die Bewertung relevant sind?
Die Datenbank liefert die dokumentierten Beziehungen und den strukturierten Ausgangskontext. Die KI untersucht deren fachliche Bedeutung unter der geänderten Randbedingung. Ob daraus tatsächlich zusätzliche Tests, eine andere Maßnahme oder eine überarbeitete Risikobewertung folgen, entscheidet anschließend die fachliche Prüfung.
Wie KI-Ergebnisse kontrollierbar bleiben
Aus dem Beispiel ergibt sich eine klare Aufgabenteilung. Verknüpfungen, Versionen, Status und definierte formale Anforderungen lassen sich regelbasiert prüfen. Die KI wird dort eingesetzt, wo Inhalte, Begründungen und ihre Bedeutung im konkreten Kontext untersucht werden sollen. Wie weit die formale Prüfung reicht, hängt von Datengranularität, Datenpflege und den implementierten Regeln ab.
Aus dieser Trennung ergeben sich unterschiedliche nächste Schritte: Befunde werden verifiziert, Interpretationen fachlich bewertet und Hypothesen gezielt untersucht. Erst danach lässt sich entscheiden, ob Tests, Maßnahmen oder Risikobewertungen angepasst werden müssen.
Damit wird die KI nicht zu einer neuen Wahrheitsebene über den Engineering-Daten. Sie ergänzt die vorhandene Struktur um eine zusätzliche Analyseebene, deren Aussagen überprüfbar bleiben müssen.
Nur den notwendigen Kontext für die Analyse bereitstellen
Die relationale Struktur hat noch eine weitere Konsequenz. Für eine konkrete KI-Analyse muss nicht zwangsläufig die vollständige Produktdokumentation verarbeitet werden.
Im Beispiel können das geänderte Requirement, die verknüpften Risiken und Maßnahmen, die relevante Rationale sowie die zugehörigen Testbedingungen den benötigten Ausgangskontext bilden. Zusätzliche Architekturinformationen können einbezogen werden, wenn sie für die Fragestellung erforderlich sind.
Eine gezielte Auswahl hilft dabei, irrelevante Informationen aus dem Analysekontext herauszuhalten. Gleichzeitig darf nichts fehlen, was für die fachliche Beurteilung erforderlich ist. Diese Begrenzung ersetzt keine Datenschutz- oder Sicherheitsmaßnahmen. Sie schafft aber eine wichtige Voraussetzung für einen kontrollierten KI-Einsatz: Der vorgesehene Kontext kann bewusst zusammengestellt und fachlich geprüft werden. Damit führt die relationale Datenbasis direkt zu einer zentralen Sicherheitsfrage: Was geschieht mit dem ausgewählten Produktwissen, sobald es für die KI-Verarbeitung bereitgestellt wird?
Amazon Bedrock: KI-Verarbeitung kontrolliert einbinden
Amazon Bedrock ermöglicht die Nutzung unterschiedlicher unterstützter großer Sprachmodelle und stellt gleichzeitig Funktionen zur Steuerung ihrer Nutzung bereit. Für Unternehmen geht es dabei nicht nur um die Auswahl eines geeigneten Modells, sondern ebenso um den kontrollierten Umgang mit Ein- und Ausgaben. [3][4]
Guardrails: Regeln für Ein- und Ausgaben
Amazon Bedrock Guardrails können Eingaben und Antworten anhand konfigurierter Regeln prüfen. Beispielsweise können unerwünschte Themen blockiert oder erkannte personenbezogene Daten maskiert werden. Die Regeln lassen sich modellübergreifend einsetzen. [13]
Ergänzende Grounding-Prüfungen können bewerten, ob eine Antwort durch das bereitgestellte Referenzmaterial gestützt wird. Diese Mechanismen schaffen zusätzliche Kontrollmöglichkeiten, bestätigen jedoch nicht die fachliche Richtigkeit einer Engineering-Entscheidung. Im Reaktionszeitbeispiel bleibt deshalb die fachliche Prüfung erforderlich, ob die ursprüngliche Abwägung unter dem neuen Grenzwert noch trägt. [14]
Modelle flexibel nutzen
Amazon Bedrock ermöglicht den Zugriff auf verschiedene unterstützte LLMs, darunter Modelle von Amazon und Anthropic. Für unterstützte Modelle stellt die Converse API eine einheitliche Schnittstelle bereit. Ein Modell kann dadurch grundsätzlich verglichen oder gewechselt werden, ohne die relationale Datenstruktur von Orcanos zu verändern. [3][4]
Ein Modellwechsel ist dennoch keine rein technische Umschaltung. Prompts, Modellparameter und Ergebnisqualität müssen erneut geprüft und gegebenenfalls angepasst werden. Welche Modelle tatsächlich zur Verfügung stehen, hängt von ihrer Verfügbarkeit, der Region und der jeweiligen Orcanos-Integration ab. [4][5]
Datensicherheit: Was passiert mit meinem Produktwissen?
Requirements, Risiken und Rationalen können vertrauliches Entwicklungs- und Produktwissen enthalten. Datensicherheit hängt deshalb nicht von einer einzelnen Funktion ab. Relevant sind unter anderem Nutzung zum Modelltraining, Speicherung, Zugriffsmöglichkeiten, Netzwerkweg und Verarbeitungsort. Amazon Bedrock und AWS stellen Mechanismen bereit, mit denen solche Anforderungen adressiert werden können. Maßgeblich ist jedoch nicht allein, welche Möglichkeiten AWS grundsätzlich bietet, sondern welche davon für die konkrete Orcanos-KI-Funktion eingesetzt und zugesichert werden.
Werden meine Daten zum Training verwendet?
Nach AWS-Angaben werden Eingaben und Antworten aus Amazon Bedrock nicht zum Training der Amazon- oder Drittanbietermodelle verwendet. Damit ist die Verarbeitung einer konkreten Anfrage von einer Übernahme des Produktwissens in das Training eines Modells zu unterscheiden. [6]
Nicht zum Training verwendet bedeutet allerdings nicht automatisch nicht gespeichert. Je nach Modell und Einstellung können Inhalte für Sicherheitsprüfungen aufbewahrt werden. Amazon Bedrock unterstützt auch Verarbeitungsszenarien ohne dauerhafte Speicherung von Anfragen und Antworten, die sogenannte Zero Data Retention. Für Anwender bleibt deshalb zu klären, welche Aufbewahrungsbedingungen für die konkret angebotene KI-Funktion gelten und ob Antworten oder Protokolle an anderer Stelle zusätzlich gespeichert werden. [10]
Wer kann auf meine Informationen zugreifen?
AWS beschreibt Verschlüsselung sowohl für gespeicherte Daten als auch für deren Übertragung. Zugriffskontrollen begrenzen zusätzlich, wer Daten verwenden kann. Für die Anwendung ist entscheidend, dass bestehende Berechtigungsgrenzen auch bei der KI-Nutzung gewahrt bleiben: Wer bestimmte Produktinformationen nicht sehen darf, sollte sie auch nicht über eine KI-Antwort erhalten. Gespeicherte Analyseergebnisse benötigen einen Schutz, der ihren Informationsquellen angemessen ist. [6][7]
Damit wird eine wesentliche Architekturanforderung sichtbar: Nicht nur der Zugriff auf die Quelldaten muss kontrolliert werden. Auch Kontextauswahl, KI-Ausgabe und eventuell gespeicherte Protokolle gehören zum Sicherheitsmodell.
Über welchen Netzwerkweg werden die Daten übertragen?
Mit AWS PrivateLink kann die Kommunikation mit Amazon Bedrock über eine private Verbindung erfolgen, ohne den Datenverkehr über das öffentliche Internet zu führen. Die übertragenen Informationen bleiben auf diesem Verbindungsweg im AWS-Netz. Ob diese Form der Anbindung für die angebotene Orcanos-Funktion eingesetzt wird, sollte aus der technischen Produktauskunft hervorgehen. [8]
PrivateLink ist damit eine konkrete Antwort auf die Frage nach dem Netzwerkweg. Es ersetzt jedoch nicht die Prüfung von Zugriff, Speicherung, Berechtigungen oder Verarbeitungsort.
Bleiben meine Daten in der EU?
Der Standort der Orcanos-Datenbank allein beantwortet diese Frage nicht. Zusätzlich ist zu betrachten, wo das verwendete Sprachmodell die Anfrage verarbeitet. Amazon Bedrock kann Anfragen innerhalb einer festgelegten Geografie, beispielsweise der EU, oder über weltweit verfügbare Standorte verteilen. Welche Variante verwendet wird, hängt vom Modell und vom eingesetzten Verarbeitungsprofil ab. [5][15]
Wenn für ein Unternehmen eine ausschließlich europäische Verarbeitung verbindlich vorgeschrieben ist, ist deshalb die konkrete Zusage entscheidend: Ist die gewünschte KI-Funktion entsprechend konfiguriert und lässt sich die Verarbeitung innerhalb der vereinbarten Geografie nachweisen? Diese Frage bleibt auch bei einem späteren Modellwechsel relevant.
Was bringt die European Sovereign Cloud?
Die AWS European Sovereign Cloud bietet eine zusätzliche Option für Unternehmen mit erhöhten Anforderungen an europäische Datenhaltung und einen innerhalb der EU kontrollierten Betrieb. Die erste Region befindet sich in Brandenburg; die Infrastruktur ist nach AWS-Angaben physisch und logisch von anderen AWS-Regionen getrennt. [11]
Für einen Orcanos-Interessenten ist diese Option vor allem dann relevant, wenn die eigenen Anforderungen über eine reine Verarbeitung innerhalb der EU hinausgehen. Ob die gewünschte Orcanos-KI-Funktion dort angeboten wird, muss für das konkrete Angebot geklärt werden. Die Bezeichnung „Sovereign Cloud“ ersetzt weder diese Prüfung noch die Bewertung der eigenen Sicherheits- und Datenschutzanforderungen.
Unter dem Strich stellen AWS und Amazon Bedrock verschiedene Mechanismen bereit, mit denen zentrale Bedenken zu Training, Speicherung, Zugriff, Netzwerkweg und Verarbeitungsort adressiert werden können. Entscheidend für eine belastbare Bewertung ist jedoch ihre nachgewiesene Nutzung in der konkreten Orcanos-Konfiguration.
Wird das teuer?
Nachdem fachlicher Nutzen und Sicherheitsrahmen geklärt sind, stellt sich die wirtschaftliche Frage. Dabei greift es zu kurz, lediglich den Preis eines einzelnen Modellaufrufs zu betrachten.
Was die Nutzungskosten bestimmt
Bei textbasierten Sprachmodellen hängen die Modellkosten unter anderem vom verwendeten Modell, dem Umfang des verarbeiteten Textes und der Länge der erzeugten Antwort ab. Hinzu kommen die Zahl der Analysen und gegebenenfalls zusätzliche Dienste oder Funktionen, beispielsweise Guardrails. Ein Modellwechsel kann daher sowohl Ergebnisqualität als auch Kosten beeinflussen. [9]
Die veröffentlichte AWS-Preisliste entspricht dabei nicht automatisch dem Preis der Orcanos-KI-Funktion. Für Interessenten zählt das konkrete Angebot: Welche Nutzung ist enthalten? Welche Leistungen werden zusätzlich berechnet? Wie lassen sich Verbrauch und Budget kontrollieren?
Strukturierte Daten können den Verarbeitungsaufwand begrenzen
Wenn für die konkrete Analyse gezielt die relevanten Requirements, Risiken, Maßnahmen, Rationalen und Testbedingungen zusammengestellt werden können, muss nicht zwangsläufig die gesamte Produktdokumentation verarbeitet werden. Weniger irrelevanter Kontext kann den Verarbeitungsaufwand reduzieren, sofern alle für die Analyse benötigten Informationen enthalten bleiben.
Gesamtnutzen statt isolierter Modellkosten
Zeitgewinn: Relevante Informationen, frühere Entscheidungen und zugehörige Testbedingungen können gezielter für eine fachliche Prüfung zusammengestellt werden.
⠀
Weniger Nacharbeit: Werden Probleme erkannt, bevor weitere Entwicklungsschritte, Tests oder Dokumentation darauf aufbauen, kann späterer Änderungsaufwand vermieden werden.
Die wirtschaftliche Frage lautet somit nicht nur: „Was kostet ein Modellaufruf?“ Entscheidend ist, ob Zeitgewinn, früher erkannte Probleme und vermiedene Nacharbeit den gesamten Aufwand für KI-Nutzung, Datenpflege, Vorbereitung und Review rechtfertigen.
Mit einem begrenzten Pilot belastbare Ergebnisse erzeugen
Ob dieses Zusammenspiel in der eigenen Umgebung funktioniert, lässt sich am sinnvollsten anhand eines überschaubaren Anwendungsbereichs prüfen. Für den Einstieg bietet sich ein begrenzter Pilot mit einem Produktbereich, einem kleinen Anwenderteam und wenigen repräsentativen Änderungen an Requirements an. Für diesen Ausschnitt wird festgelegt, welche Objekte und Beziehungen benötigt werden, welche Versionen und Status gelten und wo relevante Rationalen hinterlegt sind. Berechtigungen und vereinbarte Datenschutzbedingungen bilden dabei den verbindlichen Rahmen.
Zuerst die Datenebene prüfen
- Werden die richtigen Kausalketten ausgewählt?
- Sind die relevanten Versionen und Status enthalten?
- Sind die benötigten Rationalen verfügbar?
- Funktionieren formale Prüfungen reproduzierbar?
- Fehlen Informationen, die für die fachliche Interpretation notwendig sind?
Danach die KI-Analyse bewerten
Auf dieser Grundlage werden KI-Anfragen mit klarer Aufgabe, begrenztem Kontext und Quellenbezug getestet. Fachlich geprüfte Vergleichsfälle können zeigen, ob relevante Informationen erfasst, Zusammenhänge angemessen interpretiert und Befunde, Interpretationen und Hypothesen nachvollziehbar getrennt werden. KI-Vorschläge bleiben dabei von freigegebenen Änderungen getrennt. Zu bewerten sind nicht nur überzeugende Antworten, sondern ebenso übersehene relevante Zusammenhänge, Fehlinterpretationen, zusätzlicher Reviewaufwand, die Nachvollziehbarkeit der verwendeten Quellen und das Verhalten bei unvollständigem Kontext.
Sicherheitsbedingungen konkret bestätigen
Der Pilot sollte zugleich zeigen, wie die zuvor beschriebenen Schutzmechanismen in der konkreten Lösung umgesetzt sind. Dazu gehören insbesondere verwendete Modelle und Verarbeitungsregionen, Aufbewahrung von Ein- und Ausgaben, Zugriffsrechte, Netzwerkweg und gegebenenfalls entstehende Protokolle. Diese Punkte sind Teil der konkreten Konfiguration und dürfen nicht allein aus den grundsätzlich verfügbaren AWS-Funktionen abgeleitet werden.
Nutzen und Aufwand vergleichen
Schließlich werden Ergebnisqualität und Sicherheit mit der Wirtschaftlichkeit verbunden. Relevante Größen sind bestätigte Befunde, übersehene Probleme und Fehlinterpretationen sowie Zeitgewinn, Reviewaufwand und Nutzungskosten. Bewährte Abfragen, Prompts und Modelleinstellungen können anschließend als geprüfter Ausgangsstand festgehalten werden. Änderungen daran werden erneut getestet. Erst wenn Datenabfragen und KI-Anfragen belastbare Ergebnisse liefern und die vereinbarten Schutzbedingungen erfüllt sind, bietet sich eine schrittweise Ausweitung auf weitere Fälle und Anwender an.
Fazit: Strukturiertes Wissen gezielt für KI nutzen
Der Mehrwert der Orcanos-KI entsteht aus dem Zusammenspiel von strukturierten Daten und kontextabhängiger Analyse. Dokumentierte Beziehungen zeigen, welche Engineering-Objekte zusammengehören. Rationalen machen sichtbar, welche Annahmen und Abwägungen hinter früheren Entscheidungen stehen. Die KI kann diesen gezielt bereitgestellten Kontext untersuchen und daraus fachliche Prüffragen, Interpretationen und Hypothesen entwickeln. Formale Prüfungen bleiben auf der Datenbankebene; die fachliche Entscheidung bleibt beim verantwortlichen Team.
Amazon Bedrock ermöglicht die Nutzung verschiedener Sprachmodelle und stellt Kontrollmechanismen für die KI-Verarbeitung bereit. AWS ergänzt dies um Infrastruktur- und Sicherheitsmechanismen. Damit lassen sich wesentliche Fragen zu Training, Speicherung, Zugriff, Netzwerkweg und Verarbeitungsort differenziert adressieren. Für Anwender zählt jedoch nicht allein, was AWS grundsätzlich ermöglicht, sondern was in der konkreten Orcanos-Lösung technisch umgesetzt und vertraglich zugesichert ist.
Ein begrenzter Pilot führt diese Ebenen zusammen. Er macht überprüfbar, ob die Datenbasis den richtigen Kontext liefert, die KI fachlich verwertbare Ergebnisse erzeugt, die Sicherheitsanforderungen eingehalten werden und der zusätzliche Nutzen den gesamten Aufwand rechtfertigt. Auf dieser Grundlage kann der Einsatz kontrolliert und schrittweise erweitert werden.
FAQ für Leser und Entscheider
Die folgenden FAQs greifen die wichtigsten Fragen aus dem Beitrag noch einmal kompakt auf. Sie zeigen, wie strukturierte Daten und KI-Analyse zusammenspielen und welche Punkte bei Kontrolle, Sicherheit und praktischem Einsatz besonders relevant sind.
Was unterscheidet die Datenbankprüfung von der KI-Analyse?
Warum sind dokumentierte Rationalen für die KI-Analyse relevant?
Muss die gesamte Produktdokumentation für eine KI-Analyse verarbeitet werden?
Wie lassen sich KI-Ergebnisse fachlich kontrollieren?
Entscheidet die KI über Änderungen, Tests oder Risikobewertungen?
Welche Rollen übernehmen Orcanos, Amazon Bedrock und AWS?
Werden Eingaben und Antworten aus Amazon Bedrock zum Modelltraining verwendet?
Wie werden Zugriff und Netzwerkweg kontrolliert?
Ist eine ausschließlich europäische Verarbeitung möglich?
Welche Sicherheitsmerkmale müssen für die konkrete Orcanos-Konfiguration bestätigt werden?
Welche Faktoren bestimmen Kosten und Wirtschaftlichkeit?
Wie sollte ein Pilot für die Orcanos-KI aufgebaut und bewertet werden?
Quellen und Veröffentlichungshinweise
Stand: Oktober 2026. Die Produkt- und Plattformangaben beruhen auf Veröffentlichungen von Orcanos und AWS. Die beschriebenen Beispiele erläutern mögliche Anwendungen und sind keine Nachweise für Ergebnisse bei einzelnen Kunden. Welche Funktionen und Schutzmechanismen im konkreten Angebot verfügbar sind, hängt von der Orcanos-Konfiguration und den gewählten Modellen und Services ab. KI-Ergebnisse müssen fachlich geprüft werden. Der Beitrag ersetzt weder den Nachweis einer vollständigen Analyse noch die Prüfung der Eignung für einen konkreten regulierten Verwendungszweck.
[1] Orcanos, „eQMS & ALM Software for Medical Devices.“ https://www.orcanos.com/
[2] Orcanos, „Traceability Tool: Streamlines Traceability Management.“ https://www.orcanos.com/requirements-traceability-tool
[3] AWS, „Overview – Amazon Bedrock.“ https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html
[4] AWS, „Model availability & compatibility – Amazon Bedrock.“ https://docs.aws.amazon.com/bedrock/latest/userguide/models.html
[5] AWS, „Model support by AWS Region in Amazon Bedrock.“ https://docs.aws.amazon.com/bedrock/latest/userguide/models-regions.html
[6] AWS, „Security, privacy, and responsible AI – Amazon Bedrock.“ https://aws.amazon.com/bedrock/security-privacy-responsible-ai/
[7] AWS, „Data protection – Amazon Bedrock.“ https://docs.aws.amazon.com/bedrock/latest/userguide/data-protection.html
[8] AWS, „Use interface VPC endpoints (AWS PrivateLink) to create a private connection between your VPC and Amazon Bedrock.“ https://docs.aws.amazon.com/bedrock/latest/userguide/vpc-interface-endpoints.html
[9] AWS, „Amazon Bedrock Pricing.“ https://aws.amazon.com/bedrock/pricing/
[10] AWS, „Data retention – Amazon Bedrock.“ https://docs.aws.amazon.com/bedrock/latest/userguide/data-retention.html
[11] AWS, „European Digital Sovereignty.“ https://aws.amazon.com/compliance/europe-digital-sovereignty/
[12] AWS Security Blog, „Run open weight models on Amazon Bedrock in AWS European Sovereign Cloud,“ 17. September 2026. https://aws.amazon.com/de/blogs/security/run-open-weight-models-on-aws-bedrock-in-aws-european-sovereign-cloud/
[13] AWS, „Detect and filter harmful content by using Amazon Bedrock Guardrails.“ https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html
[14] AWS, „Use contextual grounding check to filter hallucinations in responses.“ https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails-contextual-grounding-check.html
[15] AWS, „Route model inference requests across AWS Regions with cross-Region inference.“ https://docs.aws.amazon.com/bedrock/latest/userguide/cross-region-inference.html

