Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Elegir una base de datos AWS vectorial para casos de uso de RAG
Mayuri Shinde, Ivan Cui y Anand Bukkapatnam Tirumala, de Amazon Web Services
Marzo de 2026 (historial del documento)
Las bases de datos vectoriales son cada vez más importantes para las organizaciones que implementan aplicaciones de IA generativa. Estas bases de datos almacenan y administran vectores, que son representaciones numéricas de datos que permiten procesar texto, imágenes y otros contenidos de manera que capten su significado y sus relaciones.
A medida que las organizaciones exploran las opciones de bases de datos vectoriales AWS, deben comprender las capacidades, las ventajas y las mejores prácticas de las diferentes soluciones. Esta guía le ayuda a comparar los almacenes de vectores más utilizados AWS y a tomar decisiones informadas sobre qué opciones se adaptan mejor a sus necesidades o casos de uso específicos. Ya sea que esté implementando la generación aumentada de recuperación (RAG), creando sistemas de recomendación o desarrollando otras aplicaciones de IA, esta guía proporciona un marco que le ayudará a evaluar y elegir una solución de base de datos vectorial.
Destinatarios previstos
Esta guía está destinada a personas que desempeñan las siguientes funciones:
-
Científicos de datos e ingenieros de aprendizaje automático (ML) que utilizan bases de datos vectoriales para almacenar y recuperar datos de alta dimensión para modelos de ML.
-
Ingenieros de datos que diseñan e implementan canalizaciones de datos que incluyen bases de datos vectoriales para almacenar y procesar datos de alta dimensión.
-
MLOps ingenieros que utilizan bases de datos vectoriales como parte del proceso de aprendizaje automático para almacenar y entregar los resultados de los modelos o las representaciones intermedias.
-
Ingenieros de software que integran bases de datos vectoriales en aplicaciones que requieren sistemas de búsqueda o recomendación de similitudes.
-
DevOps ingenieros que se encargan de implementar y mantener las bases de datos vectoriales en los entornos de producción, garantizando la escalabilidad y la fiabilidad.
-
Investigadores de IA que utilizan bases de datos vectoriales para almacenar y analizar grandes conjuntos de datos de incrustaciones o vectores de características.
-
Directores de productos de IA que necesitan comprender las capacidades y limitaciones de las bases de datos vectoriales para tomar decisiones informadas sobre las características y la arquitectura de los productos.
