Ein Team möchte Retrieval Augmented Generation (RAG) mit einem Open-Source-LLM verwenden, das auf Amazon Bedrock läuft. Die RAG-Quelldokumente (CSV- und DOCX-Dateien) sind in einem S3-Bucket gespeichert. Welcher Ansatz erfordert den geringsten Betriebsaufwand, um RAG über diese Dateien zu ermöglichen?

Die Erstellung einer Knowledge Base für Amazon Bedrock ist der Ansatz mit dem geringsten Betriebsaufwand, da sie eine vollständig verwaltete Lösung für RAG bietet. Sie integriert sich direkt mit S3-Buckets als Datenquelle und übernimmt automatisch die Vektorisierung, Speicherung und Abfrage der Dokumente. Die Amazon Bedrock API ermöglicht dann direkte RAG-Abfragen. Die anderen Optionen sind aufwendiger: Eine SageMaker Pipelines-Lösung zum Generieren eines neuen Modells ist für RAG nicht direkt relevant und würde erheblichen Entwicklungs- und Wartungsaufwand erfordern. Das manuelle Konvertieren von Daten in Vektoren und Speichern in Neptune erfordert die Verwaltung einer Datenbank und die Implementierung der Vektorisierungslogik, was komplexer ist. Das Fine-Tuning eines LLM mit SageMaker AutoML ist für die Anpassung des Modells an bestimmte Aufgaben gedacht, nicht für die Bereitstellung von RAG über externe Dokumente, und würde einen SageMaker-Endpunkt erfordern, der verwaltet werden muss.