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.

# Próximos pasos y recursos
<a name="next-steps"></a>

Tras revisar esta guía, considere las siguientes acciones para pasar de la comprensión a la implementación:

1. Evalúe sus necesidades actuales:
   + Evalúe su infraestructura de bases de datos y sus conocimientos actuales.
   + Documente sus requisitos específicos de búsqueda vectorial.
   + Defina sus objetivos de rendimiento, escalamiento y costes.

1. Elija una de las siguientes opciones para probar las opciones de bases de datos vectoriales:
   + **Opción 1:** configure una prueba de concepto con la solución de base de datos vectorial que prefiera.
   + **Opción 2:** Experimente con conjuntos de datos de muestra en las bases de conocimiento de Amazon Bedrock. Pruebe la experiencia de creación rápida de una base de conocimientos de Amazon Bedrock. Para ver un ejemplo, consulte [Creación rápida de una base de conocimiento de Aurora PostgreSQL para Amazon](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.quickcreatekb.html) Bedrock en la documentación de Aurora.

1. [Consulte los recursos adicionales.](#resources)

1. Obtenga la ayuda de un experto:
   + Póngase en contacto con su Cuenta de AWS equipo o con los arquitectos de AWS soluciones para obtener orientación sobre la implementación.
   + [Póngase en contacto con AWS socios](https://partners.amazonaws.com/) que se especializan en bases de datos vectoriales.

1. Planifique su despliegue de producción:
   + Cree una estrategia de migración si se muda de bases de datos existentes.
   + Desarrolle un plan de escalado para la solución que elija.
   + Diseñe sus procedimientos de supervisión y mantenimiento.

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

Los siguientes recursos pueden ayudarle a elegir una base de datos vectorial.

### AWS publicaciones de blog
<a name="blog-posts"></a>
+ [Acelere el desarrollo de aplicaciones de IA generativa con Amazon Bedrock Knowledge Bases, Quick Create y 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/)
+ [Explicación de las capacidades de las bases de datos vectoriales de Amazon OpenSearch Service](https://aws.amazon.com/blogs/big-data/amazon-opensearch-services-vector-database-capabilities-explained/)
+ [Profundice en los almacenes de datos vectoriales con las bases de conocimiento de Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/dive-deep-into-vector-data-stores-using-amazon-bedrock-knowledge-bases/)
+ [Aproveche pgvector y Amazon Aurora PostgreSQL para el procesamiento de lenguaje natural, los chatbots y el análisis de opiniones](https://aws.amazon.com/blogs/database/leverage-pgvector-and-amazon-aurora-postgresql-for-natural-language-processing-chatbots-and-sentiment-analysis/)

### AWS documentación de servicio
<a name="service-docs"></a>
+ [Elegir un servicio de AWS base de datos](https://docs.aws.amazon.com/decision-guides/latest/databases-on-aws-how-to-choose/databases-on-aws-how-to-choose.html)
+ [Cómo funcionan las bases de conocimiento de Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)
+ [Documentación de Neptune Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)
+ [Descripción general de Amazon Web Services: bases de datos](https://docs.aws.amazon.com/whitepapers/latest/aws-overview/database.html)
+ [Uso de Aurora PostgreSQL como base de conocimientos para Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [Uso de 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)

### Otros recursos AWS
<a name="other-aws-resources"></a>
+ [Bases de conocimiento de Amazon Bedrock](https://aws.amazon.com/bedrock/knowledge-bases/)
+ [Bases de datos vectoriales e incrustaciones](https://aws.amazon.com/solutions/databases/vector-databases-and-embeddings/)
+ [Bases de datos vectoriales para aplicaciones de IA generativa](https://community.aws/content/2f5dkpj96MDM6Y9lumYPjZAB8SX/vector-databases-for-generative-ai-applications)
+ [¿Qué son las incrustaciones en Machine Learning?](https://aws.amazon.com/what-is/embeddings-in-machine-learning/)

### Otros recursos de
<a name="other-resources"></a>
+ [Acerca de PostgreSQL](https://www.postgresql.org/about/)
+ [Documentación de pgvector](https://github.com/pgvector/pgvector)
+ [Pinecone como base de conocimientos para Amazon Bedrock](https://docs.pinecone.io/integrations/amazon-bedrock)
+ [Redis Enterprise Cloud está activada AWS](https://redis.io/docs/latest/integrate/aws-redis-cloud/)