Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Nächste Schritte und Ressourcen
<a name="next-steps"></a>

Nachdem Sie diesen Leitfaden gelesen haben, sollten Sie die folgenden Maßnahmen in Betracht ziehen, um vom Verständnis zur Implementierung überzugehen:

1. Beurteilen Sie Ihre aktuellen Bedürfnisse:
   + Beurteilen Sie Ihre bestehende Datenbankinfrastruktur und Ihr Fachwissen.
   + Dokumentieren Sie Ihre spezifischen Anforderungen an die Vektorsuche.
   + Definieren Sie Ihre Leistungs-, Skalierungs- und Kostenziele.

1. Wählen Sie eine der folgenden Optionen, um die Vektordatenbankoptionen zu testen:
   + **Option 1:** Richten Sie einen Machbarkeitsnachweis mit Ihrer bevorzugten Vektordatenbanklösung ein.
   + **Option 2:** Experimentieren Sie mit Beispieldatensätzen in den Amazon Bedrock Knowledge Bases. Probieren Sie die Schnellerstellung für eine Amazon Bedrock Knowledge Base aus. Ein Beispiel finden Sie unter [Schnelles Erstellen einer Aurora PostgreSQL-Wissensdatenbank für Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.quickcreatekb.html) in der Aurora-Dokumentation.

1. [Sehen Sie sich zusätzliche Ressourcen an.](#resources)

1. Holen Sie sich Expertenhilfe:
   + Wenden Sie sich an Ihr AWS-Konto Team oder Ihre AWS Solutions Architects, um Unterstützung bei der Implementierung zu erhalten.
   + [Arbeiten Sie mit AWS Partnern zusammen](https://partners.amazonaws.com/), die sich auf Vektordatenbanken spezialisiert haben.

1. Planen Sie Ihren Produktionseinsatz:
   + Erstellen Sie eine Migrationsstrategie, wenn Sie von bestehenden Datenbanken migrieren.
   + Entwickeln Sie einen Skalierungsplan für die von Ihnen gewählte Lösung.
   + Entwerfen Sie Ihre Überwachungs- und Wartungsverfahren.

## Ressourcen
<a name="resources"></a>

Die folgenden Ressourcen können Ihnen bei der Auswahl einer Vektordatenbank helfen.

### AWS Blog-Beiträge
<a name="blog-posts"></a>
+ [Beschleunigen Sie Ihre generative KI-Anwendungsentwicklung mit Amazon Bedrock Knowledge Bases, Quick Create und Amazon Aurora Serverless](https://aws.amazon.com/blogs/database/accelerate-your-generative-ai-application-development-with-amazon-bedrock-knowledge-bases-quick-create-and-amazon-aurora-serverless/)
+ [Die Vektordatenbankfunktionen von Amazon OpenSearch Service erklärt](https://aws.amazon.com/blogs/big-data/amazon-opensearch-services-vector-database-capabilities-explained/)
+ [Tauchen Sie mithilfe der Amazon Bedrock Knowledge Bases tief in Vektordatenspeicher ein](https://aws.amazon.com/blogs/machine-learning/dive-deep-into-vector-data-stores-using-amazon-bedrock-knowledge-bases/)
+ [Nutzen Sie pgvector und Amazon Aurora PostgreSQL für die Verarbeitung natürlicher Sprache, Chatbots und Stimmungsanalyse](https://aws.amazon.com/blogs/database/leverage-pgvector-and-amazon-aurora-postgresql-for-natural-language-processing-chatbots-and-sentiment-analysis/)

### AWS Servicedokumentation
<a name="service-docs"></a>
+ [Auswahl eines AWS Datenbankdienstes](https://docs.aws.amazon.com/decision-guides/latest/databases-on-aws-how-to-choose/databases-on-aws-how-to-choose.html)
+ [So funktionieren die Amazon Bedrock-Wissensdatenbanken](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)
+ [Neptune Analytics-Dokumentation](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)
+ [Überblick über Amazon Web Services: Datenbanken](https://docs.aws.amazon.com/whitepapers/latest/aws-overview/database.html)
+ [Verwendung von Aurora PostgreSQL als Wissensdatenbank für Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [Arbeiten mit Amazon Aurora PostgreSQL](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/Aurora.AuroraPostgreSQL.html)
+ [Amazon DocumentDB](https://docs.aws.amazon.com/documentdb/latest/developerguide/vector-search.html)
+ [Amazon MemoryDB](https://docs.aws.amazon.com/memorydb/latest/devguide/vector-search.html)
+ [Amazon S3 Vectors](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html)

### Andere Ressourcen AWS
<a name="other-aws-resources"></a>
+ [Amazon Bedrock Wissensdatenbanken](https://aws.amazon.com/bedrock/knowledge-bases/)
+ [Vektor-Datenbanken und Einbettungen](https://aws.amazon.com/solutions/databases/vector-databases-and-embeddings/)
+ [Vektor-Datenbanken für generative KI-Anwendungen](https://community.aws/content/2f5dkpj96MDM6Y9lumYPjZAB8SX/vector-databases-for-generative-ai-applications)
+ [Was sind Einbettungen beim Machine Learning?](https://aws.amazon.com/what-is/embeddings-in-machine-learning/)

### Sonstige Ressourcen
<a name="other-resources"></a>
+ [Über PostgreSQL](https://www.postgresql.org/about/)
+ [pgvector-Dokumentation](https://github.com/pgvector/pgvector)
+ [Pinecone als Wissensdatenbank für Amazon Bedrock](https://docs.pinecone.io/integrations/amazon-bedrock)
+ [Redis Enterprise Cloud auf AWS](https://redis.io/docs/latest/integrate/aws-redis-cloud/)