Uma equipe deseja usar Geração Aumentada por Recuperação (RAG) com um LLM de código aberto executado no Amazon Bedrock. Os documentos de origem RAG (arquivos CSV e DOCX) são armazenados em um bucket S3. Qual abordagem exige o menor overhead operacional para habilitar o RAG sobre esses arquivos?

A criação de uma base de conhecimento para o Amazon Bedrock é a abordagem com menor sobrecarga operacional porque o Bedrock gerencia automaticamente a ingestão, vetorização e armazenamento dos dados do S3, além de orquestrar a recuperação e a geração com o LLM. Isso elimina a necessidade de gerenciar pipelines de vetorização ou bancos de dados vetoriais separadamente. As outras opções são menos eficientes: Criar um pipeline no SageMaker Pipelines para gerar um novo modelo é desnecessário para RAG, que usa um LLM existente. Converter dados em vetores e armazená-los no Amazon Neptune adiciona complexidade e sobrecarga de gerenciamento de banco de dados que o Bedrock pode abstrair. Ajustar um LLM existente com AutoML no SageMaker é uma abordagem para ajustar o modelo, não para implementar RAG sobre dados externos.