RAG Inc. entwirft eine RAG-Pipeline und muss ein Embedding-Modell und eine Ähnlichkeitssuchkonfiguration für die Verwendung von Amazon OpenSearch Service auswählen. (Wählen Sie ZWEI)

Die beiden korrekten Optionen beschreiben effektive Strategien für RAG-Pipelines mit Amazon OpenSearch Service. Die erste Option nutzt ein Bedrock-Embedding-Modell wie text-embedding-3-large für hochdimensionale dichte Embeddings, speichert diese in einem densevector-Feld in OpenSearch und verwendet das k-NN-Plugin mit HNSW und Cosinus-Ähnlichkeit für schnelle ANN-Abfragen. Dies ist eine bewährte Methode für semantische Suchen. Die zweite Option ist ebenfalls korrekt, da sie das Hosting eines Embedding-Modells (Bedrock oder SageMaker) zur Vektorgenerierung vorschlägt, die Indizierung in OpenSearch mit densevector und die Aktivierung des k-NN-Plugins mit Cosinus-Metrik, wobei efconstruction und efsearch für Recall/Latenz optimiert werden. Beide Optionen nutzen Vektoreinbettungen und effiziente Ähnlichkeitssuchalgorithmen. Die anderen Optionen sind ungeeignet: Amazon Comprehend-Stimmungsanalyse ist nicht für die Generierung von Embeddings für semantische Suchen gedacht. Das Berechnen von Embeddings auf der Anwendungsseite und das Speichern in DynamoDB ist ineffizient für Ähnlichkeitssuchen, da DynamoDB keine native Vektorsuchfunktion bietet. Das Indizieren von Rohdaten und die alleinige Verwendung von Term-Matching/BM25 in OpenSearch ohne Vektoren ist keine semantische Suche und würde die RAG-Anforderungen nicht erfüllen.