Linia lotnicza chce stworzyć tekstowego asystenta konwersacyjnego (wykorzystującego LLM i bazę wiedzy), aby odpowiadać klientom na pytania dotyczące rozkładów lotów, rezerwacji i płatności przy minimalnym wysiłku programistycznym. Które podejście wymaga najmniejszej pracy programistycznej?

Zbudowanie agenta Retrieval-Augmented Generation (RAG) przy użyciu Amazon Bedrock wymaga najmniejszego wysiłku programistycznego. Amazon Bedrock oferuje gotowe modele podstawowe (FM) i narzędzia do tworzenia agentów RAG, które automatycznie łączą LLM z bazą wiedzy, minimalizując potrzebę pisania kodu. Agenci RAG w Bedrock potrafią wyszukiwać informacje i generować odpowiedzi. Trenowanie modeli przy użyciu Amazon SageMaker Autopilot, choć upraszcza ML, nadal wymaga przygotowania danych i jest przeznaczone do trenowania modeli, a nie bezpośrednio do tworzenia asystentów konwersacyjnych z bazą wiedzy. Dostrajanie modeli przy użyciu Amazon SageMaker JumpStart również wymaga danych do dostrajania i jest bardziej skomplikowane niż gotowe rozwiązanie RAG w Bedrock. Opracowanie niestandardowej aplikacji w Pythonie przy użyciu Amazon Q Developer wiązałoby się z pisaniem znacznej ilości kodu, co jest sprzeczne z celem minimalizacji wysiłku programistycznego.