Bonne réponse
- AAmazon Bedrock avec Retrieval Augmented Generation (RAG)
Explication
Amazon Bedrock avec RAG est le choix idéal car il permet au modèle d'IA générative d'accéder à la documentation produit la plus récente provenant d'une base de connaissances externe et de l'intégrer sans réentraînement. Le RAG fonctionne en récupérant des segments de documents pertinents au moment de l'inférence et en les injectant dans le contexte du modèle, garantissant ainsi que les résumés reflètent les informations actuelles. Cela répond directement à l'exigence de rester à jour avec une documentation évolutive tout en évitant le coût et la latence d'un réentraînement complet du modèle.
Pour aller plus loin
Le modèle RAG d'Amazon Bedrock dissocie les connaissances des poids du modèle : le modèle de fondation reste figé tandis qu'un magasin de vecteurs (généralement Amazon OpenSearch Serverless, Aurora pgvector ou Knowledge Bases for Amazon Bedrock) contient des segments de votre documentation produit vectorisés. Lors de l'inférence, la requête de l'utilisateur est vectorisée à l'aide du même modèle d'embedding (par exemple Amazon Titan Embeddings ou Cohere Embed), une recherche de similarité récupère les meilleurs passages, et ces passages sont injectés dans le prompt comme contexte avant que le FM ne génère le résumé. Étant donné que l'index est actualisé indépendamment, la mise à jour de la documentation implique de réingérer et de ré-encoder les fichiers modifiés, et non de réentraîner. Une limite subtile à connaître : la qualité de la récupération est limitée par la stratégie de découpage et la dimensionnalité des embeddings, et des segments obsolètes ou dupliqués dégradent silencieusement les réponses. Cela importe lorsque les tickets de support font référence à des fonctionnalités récemment livrées postérieures à la date limite d'entraînement du modèle.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.