Uma companhia aérea deseja um assistente conversacional baseado em texto (usando LLMs e uma base de conhecimento) para responder aos clientes sobre horários, reservas e pagamentos com o mínimo esforço de desenvolvimento. Qual abordagem exige o menor trabalho de desenvolvimento?

A construção de um agente RAG (Retrieval Augmented Generation) com o Amazon Bedrock é a abordagem que exige o menor esforço de desenvolvimento para este caso de uso. O Bedrock oferece acesso a LLMs pré-treinados e ferramentas para integrar uma base de conhecimento externa, permitindo que o modelo responda a perguntas específicas da companhia aérea sem a necessidade de treinamento extensivo. O RAG permite que o LLM recupere informações relevantes da base de conhecimento antes de gerar uma resposta, garantindo precisão e relevância. Treinar modelos com SageMaker Autopilot ou ajustar modelos com SageMaker JumpStart envolveria um esforço maior de preparação de dados e treinamento/ajuste de modelos. Desenvolver um aplicativo Python personalizado com Amazon Q Developer, embora útil para codificação, ainda exigiria a criação de toda a lógica de integração e orquestração do assistente conversacional do zero.