RAG Inc. ontwerpt een RAG-pipeline en moet een embedding-model en een configuratie voor gelijkenis zoeken kiezen voor Amazon OpenSearch Service. (kies TWEE)

Beide correcte antwoorden beschrijven een best practice voor het bouwen van een RAG-pipeline met Amazon OpenSearch Service. Ze omvatten het gebruik van een embedding-model (zoals die beschikbaar via Bedrock of gehost op SageMaker) om dense vectoren te genereren, het opslaan van deze vectoren in OpenSearch met een densevector-veld, en het benutten van de OpenSearch k-NN-plugin met een geschikte gelijkenismetriek (zoals cosinusgelijkenis) en algoritme (zoals HNSW) voor efficiënte Approximate Nearest Neighbor (ANN) retrieval. Dit is essentieel voor semantische zoekopdrachten in RAG-systemen. De andere opties zijn incorrect omdat: Amazon Comprehend sentimentanalyse is niet bedoeld voor het genereren van algemene tekstembeddings voor RAG en term-gebaseerde inverted indices zijn inefficiënt voor vectorgelijkenis. DynamoDB is geen geoptimaliseerde vector database en biedt geen native ondersteuning voor efficiënte cosinusgelijkenis zoekopdrachten op schaal. Alleen vertrouwen op term matching/BM25 in OpenSearch zonder vectoren mist de semantische zoekmogelijkheden die cruciaal zijn voor RAG.