한 회사에서 대규모 내부 문서 지식 베이스를 검색하기 위해 직원들을 위한 서버리스 내부 전용 채팅 인터페이스가 필요합니다. 다음 단계 중 어떤 조합이 이러한 요구 사항을 충족할까요?

이 시나리오에서는 대규모 문서 검색을 위한 서버리스 내부 전용 채팅 인터페이스가 필요합니다. 1. Anthropic Claude 파운데이션 모델로 Amazon Bedrock을 설정합니다. 이는 대규모 언어 모델(LLM)을 사용하여 채팅 인터페이스의 핵심인 질문 답변 및 문서 요약 기능을 제공하는 가장 효율적인 방법입니다. Bedrock은 완전 관리형 서비스로, 모델 배포 및 관리를 단순화합니다. 2. AWS Lambda 함수와 Amazon API Gateway를 사용하여 모델 API를 호출합니다. Lambda는 서버리스 컴퓨팅 서비스로, 요청 시 코드를 실행하여 비용 효율적이고 확장 가능한 백엔드를 제공합니다. API Gateway는 Lambda 함수를 위한 안전하고 확장 가능한 HTTP 엔드포인트를 제공하여 채팅 인터페이스의 프런트엔드와 LLM 간의 통신을 가능하게 합니다. 3. Amazon S3 버킷을 사용하여 벡터 데이터베이스 덤프 및 임베딩을 저장합니다. S3는 내구성이 뛰어나고 확장 가능하며 비용 효율적인 객체 스토리지 서비스입니다. 대규모 문서의 임베딩과 벡터 데이터베이스 덤프를 저장하는 데 적합하며, 필요할 때 검색 및 로드를 용이하게 합니다. 오답 설명: Llama 파운데이션 모델로 Amazon SageMaker JumpStart를 설정합니다. SageMaker JumpStart는 LLM을 배포할 수 있지만, Bedrock은 파운데이션 모델을 위한 더 간소화된 완전 관리형 서비스입니다. Amazon EC2 인스턴스와 Amazon API Gateway를 사용하여 모델 API를 호출합니다. EC2 인스턴스는 서버리스 요구 사항에 맞지 않으며, 관리 오버헤드가 더 큽니다. Amazon RDS for MySQL을 사용하여 벡터 데이터베이스 덤프 및 임베딩을 저장합니다. RDS는 관계형 데이터베이스이며, 대규모 벡터 임베딩을 저장하고 검색하는 데 S3만큼 효율적이지 않습니다. 벡터 데이터베이스는 일반적으로 특수화된 데이터베이스나 S3와 같은 객체 스토리지에 저장된 후 검색됩니다.