Una compagnia aerea desidera un assistente conversazionale basato su testo (che utilizzi LLM e una base di conoscenza) per rispondere ai clienti in merito a orari, prenotazioni e pagamenti con il minimo sforzo di sviluppo. Quale approccio richiede il minor lavoro di sviluppo?

L'approccio più efficiente per lo scenario descritto è creare un agente Retrieval-Augmented Generation (RAG) utilizzando Amazon Bedrock. Questo perché Bedrock fornisce un servizio gestito per l'utilizzo di LLM, e la creazione di un agente RAG consente di integrare facilmente una base di conoscenza esistente (come orari dei voli, politiche di prenotazione e pagamenti) con il LLM. L'agente RAG recupera informazioni pertinenti dalla base di conoscenza e le utilizza per generare risposte accurate e contestualizzate, riducendo al minimo lo sforzo di sviluppo poiché non è necessario addestrare un modello da zero. Addestrare modelli con SageMaker Autopilot richiederebbe più tempo e dati per l'addestramento specifico del dominio. Sviluppare un'applicazione Python personalizzata con Amazon Q Developer implicherebbe un maggiore sforzo di codifica e integrazione manuale. Ottimizzare modelli con SageMaker JumpStart è utile per la messa a punto di modelli esistenti, ma non risolve direttamente l'esigenza di integrare una base di conoscenza con un LLM per un assistente conversazionale con il minimo sforzo.