Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Scelta di un'opzione Retrieval Augmented Generation su AWS
<a name="choosing-option"></a>

Le sezioni [Opzioni RAG completamente gestite e architetture RAG](rag-fully-managed.md) [personalizzate di questa guida descrivono vari approcci per la creazione di una soluzione di ricerca basata su RAG](rag-custom.md). AWS Questa sezione descrive come selezionare tra queste opzioni in base al caso d'uso. In alcune situazioni, potrebbe funzionare più di un'opzione. In questo scenario, la scelta dipende dalla facilità di implementazione, dalle competenze disponibili nell'organizzazione e dalle politiche e dagli standard aziendali.

Ti consigliamo di prendere in considerazione le opzioni RAG completamente gestite e personalizzate nella sequenza seguente e di scegliere la prima opzione adatta al tuo caso d'uso:

1. Usa [Amazon Q Business](rag-fully-managed-q-business.md) a meno che:
   + Questo servizio non è disponibile nella tua regione e Regione AWS i tuoi dati non possono essere spostati in una regione in cui sono disponibili
   + Hai un motivo specifico per personalizzare il flusso di lavoro RAG
   + Vuoi usare un database vettoriale esistente o un LLM specifico

1. Utilizza [le knowledge base per Amazon Bedrock](rag-fully-managed-bedrock.md) a meno che:
   + Hai un database vettoriale che non è supportato
   + Hai un motivo specifico per personalizzare il flusso di lavoro RAG

1. [Combina [Amazon Kendra](rag-custom-retrievers.md#rag-custom-kendra) con il generatore che preferisci, a meno che:](rag-custom-generators.md)
   + Vuoi scegliere il tuo database vettoriale
   + Vuoi personalizzare la strategia di suddivisione in blocchi

1. Se desideri un maggiore controllo sul retriever e desideri selezionare il tuo database vettoriale:
   + [Se non disponi di un database vettoriale esistente e non hai bisogno di query grafiche o a bassa latenza, prendi in considerazione l'utilizzo di Amazon Service. OpenSearch ](rag-custom-retrievers.md#rag-custom-opensearch)
   + Se disponi di un database PostgreSQL vettoriale esistente, prendi in considerazione l'utilizzo di [Amazon Aurora PostgreSQL pgvector](rag-custom-retrievers.md#rag-custom-aurora) and option.
   + [Se hai bisogno di una bassa latenza, prendi in considerazione un'opzione in memoria, come Amazon [MemoryDB o Amazon DocumentDB](rag-custom-retrievers.md#rag-custom-memorydb).](rag-custom-retrievers.md#rag-custom-docdb)
   + Se desideri combinare la ricerca vettoriale con una query grafica, prendi in considerazione [Amazon Neptune Analytics](rag-custom-retrievers.md#rag-custom-neptune).
   + Se utilizzi già un database vettoriale di terze parti o ne trovi uno specifico vantaggio, prendi in considerazione [Pinecone](rag-custom-retrievers.md#rag-custom-pinecone)l'idea di e. [MongoDB Atlas[Weaviate](rag-custom-retrievers.md#rag-custom-weaviate)](rag-custom-retrievers.md#rag-custom-mongodb-atlas)

1. Se vuoi scegliere un LLM:
   + Se usi Amazon Q Business, non puoi scegliere il LLM.
   + Se usi Amazon Bedrock, puoi scegliere uno dei [modelli di base supportati](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html).
   + [Se utilizzi Amazon Kendra o un database vettoriale personalizzato, puoi utilizzare uno dei generatori descritti in questa guida o utilizzare un LLM personalizzato.](rag-custom-generators.md)
**Nota**  
Puoi anche utilizzare i tuoi documenti personalizzati per perfezionare un LLM esistente e aumentare la precisione delle sue risposte. Per ulteriori informazioni sul tagging, consulta [Confronto tra RAG e fine-tuning](rag-vs-fine-tuning.md)in questa guida.

1. Se disponi di un'implementazione esistente di Amazon SageMaker AI Canvas che desideri utilizzare o se desideri confrontare le risposte RAG di diverse applicazioni LLMs, prendi in considerazione [Amazon SageMaker AI Canvas](rag-fully-managed-sagemaker-canvas.md).