RAG Inc. projektuje potok RAG i musi wybrać model osadzania (embedding model) oraz konfigurację wyszukiwania podobieństwa do użycia z Amazon OpenSearch Service. (wybierz DWIE)

Obie poprawne opcje opisują standardowe i efektywne podejścia do implementacji RAG z Amazon OpenSearch Service. Wykorzystanie modeli osadzania (embedding models) z Bedrock lub SageMaker do generowania wektorów, przechowywanie ich w OpenSearch jako densevector oraz zastosowanie wtyczki k-NN z algorytmem HNSW i podobieństwem cosinusowym to najlepsze praktyki dla szybkiego i dokładnego wyszukiwania wektorowego. Dostrajanie parametrów efconstruction i efsearch w HNSW pozwala na optymalizację kompromisu między dokładnością a wydajnością. Niepoprawne opcje: Analiza sentymentu Comprehend nie generuje osadzeń do wyszukiwania semantycznego, a indeksy odwrócone nie są przeznaczone do wyszukiwania podobieństwa wektorowego. DynamoDB nie jest zoptymalizowane do wyszukiwania podobieństwa wektorowego na dużą skalę, a jego użycie do tego celu byłoby nieefektywne. Indeksowanie surowego tekstu i poleganie na dopasowywaniu terminów / BM25 nie zapewnia wyszukiwania semantycznego, które jest kluczowe dla RAG.