A RAG Inc. está projetando um pipeline RAG e deve escolher um modelo de embedding e uma configuração de busca de similaridade para usar o Amazon OpenSearch Service. (selecione DUAS)

As opções corretas descrevem a abordagem padrão para RAG com OpenSearch. Elas envolvem o uso de modelos de embedding (como os do Bedrock) para gerar vetores densos, armazená-los em um campo densevector no OpenSearch e usar o plugin k-NN com HNSW e similaridade de cosseno para busca de vizinhos mais próximos (ANN) eficiente. Ajustar efconstruction e efsearch é crucial para otimizar o equilíbrio entre recall e latência. A opção de usar Amazon Comprehend para embeddings de sentimento é incorreta porque o Comprehend não gera embeddings para busca de similaridade semântica geral, e índices invertidos não são adequados para similaridade de cosseno de vetores. A opção de armazenar embeddings no DynamoDB é incorreta, pois o DynamoDB não é otimizado para busca de similaridade vetorial em escala. A opção de indexar texto bruto e usar querystring é incorreta, pois não permite busca de similaridade semântica baseada em vetores.