Un equipo quiere usar Retrieval Augmented Generation (RAG) con un LLM de código abierto que se ejecuta en Amazon Bedrock. Los documentos de origen de RAG (archivos CSV y DOCX) se almacenan en un bucket de S3. ¿Qué enfoque requiere la menor sobrecarga operativa para habilitar RAG sobre esos archivos?

La opción correcta es crear una base de conocimiento para Amazon Bedrock y configurar una fuente de datos que haga referencia al bucket de S3. Amazon Bedrock Knowledge Bases está diseñado específicamente para RAG, automatizando la ingesta, el procesamiento y la vectorización de documentos de S3 (incluyendo CSV y DOCX) y su almacenamiento en un almacén vectorial. Esto minimiza la sobrecarga operativa, ya que Bedrock gestiona la infraestructura subyacente. Las otras opciones son incorrectas porque: Crear un pipeline en SageMaker Pipelines para generar un nuevo modelo e invocarlo desde Bedrock no es el enfoque estándar ni el más eficiente para RAG. RAG utiliza un LLM preexistente con datos externos, no un modelo completamente nuevo. Convertir datos en vectores y almacenarlos en Amazon Neptune no es el enfoque más directo. Neptune es una base de datos de grafos, no un almacén vectorial optimizado para RAG. Aunque se podría integrar, Bedrock Knowledge Bases ofrece una solución más sencilla y directa. Ajustar un LLM existente con AutoML en SageMaker y desplegarlo en un endpoint no es RAG. El ajuste fino modifica el modelo en sí, mientras que RAG consulta documentos externos sin alterar el LLM base.