Un team vuole usare la Retrieval Augmented Generation (RAG) con un LLM open source in esecuzione su Amazon Bedrock. I documenti sorgente RAG (file CSV e DOCX) sono archiviati in un bucket S3. Quale approccio richiede il minor overhead operativo per abilitare RAG su questi file?

L'opzione corretta è creare una knowledge base per Amazon Bedrock e configurare un'origine dati che faccia riferimento al bucket S3. Questo è l'approccio con il minor overhead operativo perché Amazon Bedrock gestisce automaticamente l'ingestione, la vettorizzazione e l'indicizzazione dei documenti dal bucket S3, oltre a orchestrare il processo RAG con l'LLM. Le altre opzioni introducono complessità non necessarie: SageMaker Pipelines e il fine-tuning di LLM sono per la creazione o l'adattamento di modelli, non per l'abilitazione RAG su dati esistenti. L'uso di Amazon Neptune richiederebbe la gestione manuale della vettorizzazione e dell'integrazione, aumentando l'overhead.