한 팀에서 Amazon Bedrock에서 실행되는 오픈 소스 LLM으로 RAG(Retrieval Augmented Generation)를 사용하려고 합니다. RAG 소스 문서(CSV 및 DOCX 파일)는 S3 버킷에 저장되어 있습니다. 이러한 파일에 대해 RAG를 활성화하는 데 운영 오버헤드가 가장 적게 드는 접근 방식은 무엇입니까?

정답은 Amazon Bedrock용 지식 기반을 생성하고 S3 버킷을 데이터 소스로 구성한 다음 Amazon Bedrock API를 사용하여 RAG 쿼리를 수행하는 것입니다. Amazon Bedrock의 지식 기반은 S3에 저장된 다양한 문서 형식(CSV, DOCX 포함)을 자동으로 인덱싱하고 벡터화하여 RAG를 위한 검색 가능한 지식 저장소를 생성합니다. 이는 최소한의 운영 오버헤드로 RAG를 구현하는 가장 직접적이고 관리형 서비스 방식입니다. 오답 설명: Amazon SageMaker Pipelines에서 새 모델을 생성하는 것은 RAG를 위한 모델 훈련 또는 미세 조정을 의미하며, 이는 S3 문서에 대한 RAG 활성화와 직접 관련이 없습니다. 데이터를 벡터로 변환하여 Amazon Neptune에 저장하는 것은 벡터 데이터베이스를 사용하는 한 가지 방법이지만, Amazon Neptune은 그래프 데이터베이스이며 벡터 검색에 최적화된 서비스가 아닙니다. 또한 Bedrock 지식 기반보다 더 많은 수동 구성과 관리가 필요합니다. Amazon SageMaker의 AutoML 작업을 사용하여 기존 LLM을 미세 조정하는 것은 RAG가 아닌 LLM 자체를 특정 데이터에 맞게 조정하는 것이며, S3 버킷의 소스 문서를 검색하는 RAG의 핵심 기능을 직접적으로 구현하지 않습니다.