Une équipe souhaite utiliser la génération augmentée par récupération (RAG) avec un LLM open source exécuté sur Amazon Bedrock. Les documents source RAG (fichiers CSV et DOCX) sont stockés dans un compartiment S3. Quelle approche nécessite le moins de frais opérationnels pour activer RAG sur ces fichiers ?

La création d'une base de connaissances pour Amazon Bedrock est l'approche la moins coûteuse en termes d'opérations. Amazon Bedrock gère automatiquement l'ingestion, la vectorisation et le stockage des documents depuis S3, ainsi que l'orchestration RAG. Cela élimine le besoin de gérer des pipelines de données, des bases de données vectorielles ou des déploiements de modèles séparés. Les autres options sont moins optimales : La création d'un pipeline SageMaker pour générer un nouveau modèle est trop complexe et ne correspond pas au cas d'utilisation RAG, qui utilise des LLM existants avec des données externes. La conversion des données en vecteurs et leur stockage dans Amazon Neptune est une approche valide pour RAG, mais elle introduit la complexité de la gestion d'une base de données vectorielle séparée et de son intégration manuelle avec Bedrock, augmentant les frais opérationnels par rapport à une base de connaissances Bedrock native. L'affinement d'un LLM existant avec AutoML SageMaker est une tâche d'entraînement de modèle, pas une solution RAG directe. Cela ne permettrait pas de récupérer des informations à partir des documents source sans une infrastructure RAG supplémentaire.