StreamDocs, un SaaS de documents juridiques, est en train de construire une base de connaissances Amazon Bedrock à partir d'un grand bucket S3 de PDF. Ils souhaitent une recherche vectorielle qui prend en charge la récupération sémantique et stocke les métadonnées des documents (document_id, page). Quelle configuration équilibre le mieux la qualité de la récupération, la maintenabilité et les composants gérés par AWS ?

La configuration correcte utilise une base de connaissances Bedrock pointant vers S3, ce qui est la méthode standard pour l'ingestion de documents. Le découpage en morceaux de 500 tokens avec chevauchement est une pratique recommandée pour la récupération sémantique, car il équilibre le contexte et la granularité. L'indexation dans Amazon OpenSearch Service avec k-NN (densevector) et HNSW ANN est une solution robuste et gérée par AWS pour le stockage et la recherche vectorielle, offrant une haute qualité de récupération et la possibilité de stocker des métadonnées. L'utilisation de KMS pour le chiffrement et des rôles IAM pour l'accès garantit la sécurité. Les options incorrectes présentent des lacunes importantes : Le découpage en très petits morceaux (5 à 10 mots) dans DynamoDB est inefficace pour la récupération sémantique et ne tire pas parti des capacités de Bedrock. La recherche directe sur les clés d'objet S3 avec S3 Select ne prend pas en charge la recherche de similarité sémantique basée sur les embeddings. Le calcul des embeddings à la demande via Kinesis Data Streams sans stockage persistant est inefficace et coûteux pour des requêtes répétées, et ne garantit pas une récupération de qualité.