Команда хочет использовать Retrieval Augmented Generation (RAG) с открытой LLM, работающей на Amazon Bedrock. Исходные документы RAG (файлы CSV и DOCX) хранятся в бакете S3. Какой подход требует наименьших операционных издержек для включения RAG над этими файлами?

Создание базы знаний для Amazon Bedrock с источником данных S3 — это наиболее простой и наименее затратный с точки зрения операционных издержек способ реализации RAG. Amazon Bedrock нативно поддерживает RAG через базы знаний, автоматически обрабатывая векторизацию, хранение и извлечение данных из S3, что минимизирует ручное управление инфраструктурой. Другие варианты требуют значительных дополнительных усилий: создание конвейера SageMaker Pipelines или дообучение LLM для RAG не является стандартным подходом и увеличивает сложность. Использование Amazon Neptune для хранения векторов также добавляет операционные издержки по управлению отдельной базой данных.