RAG Inc.는 RAG 파이프라인을 설계 중이며 Amazon OpenSearch Service를 사용할 임베딩 모델과 유사성 검색 구성을 선택해야 합니다. (두 가지 선택)

첫 번째 정답은 RAG 파이프라인의 핵심 구성 요소를 정확하게 설명합니다. Bedrock 임베딩 모델(예: text-embedding-3-large)은 고품질 밀집 임베딩을 생성하며, OpenSearch의 densevector 필드는 이러한 임베딩을 저장하는 데 적합합니다. HNSW(계층적 내비게이션 가능한 작은 세계)와 코사인 유사성을 사용하는 OpenSearch k-NN 플러그인은 대규모 데이터셋에서 효율적이고 정확한 근접 이웃 검색(ANN)을 가능하게 하여 RAG의 성능을 최적화합니다. 두 번째 정답은 임베딩 모델 호스팅 옵션(Bedrock 또는 SageMaker)을 명시하고, OpenSearch에 벡터를 인덱싱하는 방법과 k-NN 플러그인 튜닝의 중요성을 강조합니다. efconstruction 및 efsearch 매개변수를 튜닝하는 것은 재현율과 지연 시간 간의 균형을 맞추는 데 필수적입니다. 나머지 오답들은 다음과 같은 이유로 틀렸습니다. Amazon Comprehend는 감성 분석에 특화되어 있으며, RAG에 필요한 의미론적 임베딩을 생성하지 않습니다. 용어 기반 역 인덱스는 벡터 유사성 검색에 적합하지 않습니다. DynamoDB는 벡터 유사성 검색에 최적화된 데이터베이스가 아니며, 대규모 코사인 유사성 검색을 효율적으로 수행하기 어렵습니다. 원시 텍스트 인덱싱과 용어 일치/BM25는 의미론적 유사성을 정확하게 포착하기 어렵고, RAG 파이프라인의 핵심인 벡터 검색을 활용하지 않습니다.