Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Prochaines étapes et ressources
<a name="next-steps"></a>

Après avoir examiné ce guide, considérez les actions suivantes pour passer de la compréhension à la mise en œuvre :

1. Évaluez vos besoins actuels :
   + Évaluez votre infrastructure de base de données et votre expertise existantes.
   + Documentez vos exigences spécifiques en matière de recherche vectorielle.
   + Définissez vos objectifs de performance, de mise à l'échelle et de coûts.

1. Choisissez l'une des options suivantes pour tester les options de base de données vectorielles :
   + **Option 1 :** Configurez une preuve de concept à l'aide de votre solution de base de données vectorielle préférée.
   + **Option 2 : testez** des exemples de jeux de données dans les bases de connaissances Amazon Bedrock. Essayez l'expérience de création rapide pour une base de connaissances Amazon Bedrock. Par exemple, consultez la section [Création rapide d'une base de connaissances Aurora PostgreSQL pour Amazon](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.quickcreatekb.html) Bedrock dans la documentation Aurora.

1. Passez en revue [les ressources](#resources) supplémentaires.

1. Obtenez l'aide d'un expert :
   + Contactez votre Compte AWS équipe ou vos architectes de AWS solutions pour obtenir des conseils de mise en œuvre.
   + [Collaborez avec AWS des partenaires](https://partners.amazonaws.com/) spécialisés dans les bases de données vectorielles.

1. Planifiez votre déploiement en production :
   + Créez une stratégie de migration en cas de migration à partir de bases de données existantes.
   + Développez un plan de mise à l'échelle pour la solution que vous avez choisie.
   + Concevez vos procédures de surveillance et de maintenance.

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

Les ressources suivantes peuvent vous aider à choisir une base de données vectorielle.

### AWS articles de blog
<a name="blog-posts"></a>
+ [Accélérez le développement de vos applications d'IA générative avec Amazon Bedrock Knowledge Bases, Quick Create et 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/)
+ [Explication des fonctionnalités de la base de données vectorielle d'Amazon OpenSearch Service](https://aws.amazon.com/blogs/big-data/amazon-opensearch-services-vector-database-capabilities-explained/)
+ [Explorez en profondeur les magasins de données vectorielles à l'aide des bases de connaissances Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/dive-deep-into-vector-data-stores-using-amazon-bedrock-knowledge-bases/)
+ [Tirez parti de pgvector et Amazon Aurora PostgreSQL pour le traitement du langage naturel, les chatbots et l'analyse des sentiments](https://aws.amazon.com/blogs/database/leverage-pgvector-and-amazon-aurora-postgresql-for-natural-language-processing-chatbots-and-sentiment-analysis/)

### AWS documentation de service
<a name="service-docs"></a>
+ [Choix d'un service AWS de base de données](https://docs.aws.amazon.com/decision-guides/latest/databases-on-aws-how-to-choose/databases-on-aws-how-to-choose.html)
+ [Comment fonctionnent les bases de connaissances Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)
+ [Documentation de Neptune Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)
+ [Présentation d'Amazon Web Services : bases de données](https://docs.aws.amazon.com/whitepapers/latest/aws-overview/database.html)
+ [Utilisation d'Aurora PostgreSQL comme base de connaissances pour Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [Utilisation d'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)

### Autres AWS ressources
<a name="other-aws-resources"></a>
+ [Bases de connaissances Amazon Bedrock](https://aws.amazon.com/bedrock/knowledge-bases/)
+ [Bases de données vectorielles et intégrations](https://aws.amazon.com/solutions/databases/vector-databases-and-embeddings/)
+ [Bases de données vectorielles pour les applications d'IA générative](https://community.aws/content/2f5dkpj96MDM6Y9lumYPjZAB8SX/vector-databases-for-generative-ai-applications)
+ [Que sont les intégrations dans le Machine Learning ?](https://aws.amazon.com/what-is/embeddings-in-machine-learning/)

### Autres ressources
<a name="other-resources"></a>
+ [À propos de PostgreSQL](https://www.postgresql.org/about/)
+ [documentation pgvector](https://github.com/pgvector/pgvector)
+ [Pinecone comme base de connaissances pour Amazon Bedrock](https://docs.pinecone.io/integrations/amazon-bedrock)
+ [Redis Enterprise Cloud sur AWS](https://redis.io/docs/latest/integrate/aws-redis-cloud/)