기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 에서 검색 증강 생성 옵션 선택 AWS
<a name="choosing-option"></a>

이 가이드의 [완전 관리형 RAG 옵션](rag-fully-managed.md) 및 [사용자 지정 RAG 아키텍처](rag-custom.md) 섹션에서는 RAG 기반 검색 솔루션을 구축하기 위한 다양한 접근 방식을 설명합니다 AWS. 이 섹션에서는 사용 사례에 따라 이러한 옵션 중에서 선택하는 방법을 설명합니다. 경우에 따라 두 개 이상의 옵션이 작동할 수 있습니다. 이 시나리오에서 선택은 구현의 용이성, 조직에서 사용할 수 있는 기술, 회사의 정책 및 표준에 따라 달라집니다.

완전 관리형 및 사용자 지정 RAG 옵션을 다음 순서로 고려하고 사용 사례에 맞는 첫 번째 옵션을 선택하는 것이 좋습니다.

1. 다음과 같은 경우가 아니면 [Amazon Q Business](rag-fully-managed-q-business.md)를 사용합니다.
   + 이 서비스는에서 사용할 수 없으며 AWS 리전데이터를 사용할 수 있는 리전으로 이동할 수 없습니다.
   + RAG 워크플로를 사용자 지정해야 하는 구체적인 이유가 있습니다.
   + 기존 벡터 데이터베이스 또는 특정 LLM을 사용하려는 경우

1. 다음과 같은 경우가 아니면 [Amazon Bedrock에 대한 지식 기반을 사용합니다.](rag-fully-managed-bedrock.md) 
   + 지원되지 않는 벡터 데이터베이스가 있는 경우
   + RAG 워크플로를 사용자 지정해야 하는 구체적인 이유가 있습니다.

1. 다음과 같은 경우를 제외하고 [Amazon Kendra](rag-custom-retrievers.md#rag-custom-kendra)를 원하는 [생성](rag-custom-generators.md)기와 결합합니다.
   + 자체 벡터 데이터베이스를 선택하려고 함
   + 청킹 전략을 사용자 지정하려는 경우

1. 리트리버를 더 잘 제어하고 자체 벡터 데이터베이스를 선택하려는 경우:
   + 기존 벡터 데이터베이스가 없고 지연 시간이 짧거나 그래프 쿼리가 필요하지 않은 경우 [Amazon OpenSearch Service](rag-custom-retrievers.md#rag-custom-opensearch)를 사용하는 것이 좋습니다.
   + 기존 PostgreSQL 벡터 데이터베이스가 있는 경우 [Amazon Aurora PostgreSQL 및 pgvector](rag-custom-retrievers.md#rag-custom-aurora) 옵션을 사용하는 것이 좋습니다.
   + 짧은 지연 시간이 필요한 경우 [Amazon MemoryDB](rag-custom-retrievers.md#rag-custom-memorydb) 또는 [Amazon DocumentDB](rag-custom-retrievers.md#rag-custom-docdb)와 같은 인 메모리 옵션을 고려하세요.
   + 벡터 검색을 그래프 쿼리와 결합하려면 [Amazon Neptune Analytics](rag-custom-retrievers.md#rag-custom-neptune)를 고려하세요.
   + 이미 타사 벡터 데이터베이스를 사용하고 있거나이 데이터베이스에서 특정 이점을 발견한 경우 [Pinecone](rag-custom-retrievers.md#rag-custom-pinecone), [MongoDB Atlas](rag-custom-retrievers.md#rag-custom-mongodb-atlas)및를 고려하세요[Weaviate](rag-custom-retrievers.md#rag-custom-weaviate).

1. LLM을 선택하려면:
   + Amazon Q Business를 사용하는 경우 LLM을 선택할 수 없습니다.
   + Amazon Bedrock을 사용하는 경우 [지원되는 파운데이션 모델](https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html) 중 하나를 선택할 수 있습니다.
   + Amazon Kendra 또는 사용자 지정 벡터 데이터베이스를 사용하는 경우이 가이드에 설명된 [생성기](rag-custom-generators.md) 중 하나를 사용하거나 사용자 지정 LLM을 사용할 수 있습니다.
**참고**  
또한 사용자 지정 문서를 사용하여 기존 LLM을 미세 조정하여 응답의 정확도를 높일 수 있습니다. 자세한 내용은 이 안내서의 [RAG 및 미세 조정 비교](rag-vs-fine-tuning.md) 섹션을 참조하세요.

1. 사용하려는 Amazon SageMaker AI Canvas의 기존 구현이 있거나 다른 LLMs의 RAG 응답을 비교하려는 경우 [Amazon SageMaker AI Canvas](rag-fully-managed-sagemaker-canvas.md)를 고려하세요.