Компания RAG Inc. разрабатывает RAG-пайплайн и должна выбрать модель эмбеддинга и конфигурацию поиска подобия для использования Amazon OpenSearch Service. (выберите ДВА варианта)

Правильные варианты описывают эффективные подходы к созданию RAG-пайплайна с использованием Amazon OpenSearch Service. Оба варианта предлагают использовать модели эмбеддинга (например, из Bedrock) для генерации векторов, хранить их в OpenSearch с типом поля densevector и использовать плагин k-NN с алгоритмом HNSW и косинусным подобием для быстрого поиска ближайших соседей (ANN). Это обеспечивает семантический поиск, необходимый для RAG. Настройка параметров efconstruction и efsearch в HNSW позволяет оптимизировать баланс между точностью и скоростью. Неправильные варианты: Использование анализа настроений Amazon Comprehend не подходит для генерации эмбеддингов для семантического поиска. Инвертированные индексы на основе терминов неэффективны для косинусного подобия. Хранение эмбеддингов в DynamoDB и использование GSI для косинусного подобия не является стандартным или эффективным решением для векторного поиска в масштабе. DynamoDB не оптимизирован для поиска ближайших соседей. Индексация только необработанного текста и использование BM25 или querystring не обеспечивает семантического поиска. Это методы поиска по ключевым словам, которые не понимают контекст и смысл текста.