RAG Inc. conçoit un pipeline RAG et doit choisir un modèle d'embedding et une configuration de recherche de similarité à utiliser avec Amazon OpenSearch Service. (sélectionnez DEUX)

Les deux options correctes décrivent des approches robustes pour le RAG avec OpenSearch. La première option utilise un modèle d'embedding Bedrock (comme text-embedding-3-large) pour générer des embeddings denses, les stocke dans un champ densevector d'OpenSearch, et configure le plugin k-NN avec HNSW et la similarité cosinus pour une recherche ANN rapide et efficace. La deuxième option est similaire, mais offre la flexibilité d'héberger le modèle d'embedding (text-embedding-3-small ou large) dans Bedrock ou SageMaker, et souligne l'importance d'ajuster les paramètres efconstruction et efsearch du k-NN pour optimiser le rappel et la latence. Les options incorrectes échouent pour plusieurs raisons : L'analyse de sentiment de Comprehend ne génère pas d'embeddings sémantiques appropriés pour le RAG. Stocker des embeddings dans DynamoDB et utiliser des GSI pour la similarité cosinus n'est pas une approche évolutive ou optimisée pour la recherche vectorielle. Se fier uniquement à la correspondance de termes/BM25 dans OpenSearch sans embeddings ne permet pas de capturer la similarité sémantique nécessaire au RAG.