Een luchtvaartmaatschappij wil een tekstgebaseerde conversationele assistent (die LLM's en een kennisbank gebruikt) om klanten te antwoorden over schema's, boekingen en betalingen met minimale ontwikkelingsinspanning. Welke aanpak vereist de minste ontwikkelingsinspanning?

De correcte optie is het bouwen van een Retrieval-Augmented Generation (RAG) agent met Amazon Bedrock. Deze aanpak is ideaal voor het minimaliseren van ontwikkelingsinspanningen, omdat Bedrock kant-en-klare, schaalbare LLM's biedt en RAG-patronen effectief externe kennisbanken integreren zonder uitgebreide modeltraining. Dit stelt de conversationele assistent in staat om nauwkeurige en actuele informatie te verstrekken over schema's, boekingen en betalingen. Het trainen van modellen met Amazon SageMaker Autopilot is minder geschikt omdat het nog steeds aanzienlijke data-voorbereiding en training vereist, wat meer ontwikkelingsinspanning vergt dan een RAG-oplossing. Het ontwikkelen van een aangepaste Python-applicatie met Amazon Q Developer is ook een optie, maar dit impliceert meer handmatige codering en integratie, wat de ontwikkelingsinspanning verhoogt. Het fine-tunen van modellen met Amazon SageMaker JumpStart is nuttig voor specifieke taken, maar vereist ook data voor fine-tuning en is complexer dan een RAG-implementatie voor dit specifieke gebruiksscenario.