Bir havayolu, müşterilerin tarifeler, rezervasyonlar ve ödemeler hakkında sorularını yanıtlamak için (LLM'leri ve bir bilgi tabanını kullanarak) metin tabanlı bir konuşma asistanı istiyor ve bunu minimum geliştirme çabasıyla yapmak istiyor. Hangi yaklaşım en az geliştirme çalışması gerektirir?

Amazon Bedrock kullanarak bir RAG ajanı oluşturmak, minimum geliştirme çabasıyla metin tabanlı bir konuşma asistanı için en uygun yaklaşımdır. Bedrock, önceden eğitilmiş temel modeller (LLM'ler) sunar ve RAG, harici bir bilgi tabanından (havayolunun tarifeleri, rezervasyonları vb. içeren) ilgili bilgileri alarak LLM'in yanıtlarını zenginleştirir. Bu, modelin özel veriler üzerinde yeniden eğitilmesine gerek kalmadan doğru ve güncel yanıtlar vermesini sağlar. Amazon SageMaker Autopilot, modelleri sıfırdan eğitmek için otomatize bir ML hizmetidir, ancak LLM'ler için uygun değildir ve daha fazla veri ve eğitim çabası gerektirir. Amazon Q Developer, özel Python uygulamaları geliştirmek için tasarlanmıştır; bu, daha fazla kodlama ve geliştirme süresi demektir. Amazon SageMaker JumpStart, mevcut modelleri ince ayar yapmak için kullanılabilir, ancak bu yine de bir temel modelin seçilmesini ve ince ayar için veri hazırlanmasını gerektirir, bu da RAG ajanına göre daha fazla çaba gerektirir.