Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Langkah dan sumber daya selanjutnya
<a name="next-steps"></a>

Setelah meninjau panduan ini, pertimbangkan tindakan berikut untuk beralih dari pemahaman ke implementasi:

1. Evaluasi kebutuhan Anda saat ini:
   + Menilai infrastruktur database yang ada dan keahlian.
   + Dokumentasikan persyaratan pencarian vektor spesifik Anda.
   + Tentukan kinerja, penskalaan, dan target biaya Anda.

1. Pilih salah satu opsi berikut untuk menguji opsi basis data vektor:
   + **Opsi 1:** Siapkan bukti konsep menggunakan solusi basis data vektor pilihan Anda.
   + **Opsi 2:** Bereksperimenlah dengan kumpulan data sampel di Pangkalan Pengetahuan Amazon Bedrock. Cobalah pengalaman cepat untuk Basis Pengetahuan Amazon Bedrock. Sebagai contoh, lihat [Cepat membuat Pangkalan Pengetahuan PostgreSQL Aurora untuk Amazon Bedrock di dokumentasi](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.quickcreatekb.html) Aurora.

1. Tinjau [sumber daya](#resources) tambahan.

1. Dapatkan bantuan ahli:
   + Hubungi Akun AWS tim atau Arsitek AWS Solusi Anda untuk panduan implementasi.
   + [Terlibat dengan AWS Mitra](https://partners.amazonaws.com/) yang berspesialisasi dalam database vektor.

1. Rencanakan penyebaran produksi Anda:
   + Buat strategi migrasi jika berpindah dari database yang ada.
   + Kembangkan rencana penskalaan untuk solusi pilihan Anda.
   + Rancang prosedur pemantauan dan pemeliharaan Anda.

## Sumber daya
<a name="resources"></a>

Sumber daya berikut dapat membantu Anda dalam memilih database vektor.

### AWS posting blog
<a name="blog-posts"></a>
+ [Percepat pengembangan aplikasi AI generatif Anda dengan Amazon Bedrock Knowledge Bases Quick Create dan Amazon Aurora Tanpa Server](https://aws.amazon.com/blogs/database/accelerate-your-generative-ai-application-development-with-amazon-bedrock-knowledge-bases-quick-create-and-amazon-aurora-serverless/)
+ [Kemampuan basis data vektor Amazon OpenSearch Service dijelaskan](https://aws.amazon.com/blogs/big-data/amazon-opensearch-services-vector-database-capabilities-explained/)
+ [Selami jauh ke dalam penyimpanan data vektor menggunakan Pangkalan Pengetahuan Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/dive-deep-into-vector-data-stores-using-amazon-bedrock-knowledge-bases/)
+ [Manfaatkan pgvector dan Amazon Aurora PostgreSQL untuk Pemrosesan Bahasa Alami, Chatbots, dan Analisis Sentimen](https://aws.amazon.com/blogs/database/leverage-pgvector-and-amazon-aurora-postgresql-for-natural-language-processing-chatbots-and-sentiment-analysis/)

### AWS dokumentasi layanan
<a name="service-docs"></a>
+ [Memilih layanan AWS basis data](https://docs.aws.amazon.com/decision-guides/latest/databases-on-aws-how-to-choose/databases-on-aws-how-to-choose.html)
+ [Cara kerja basis pengetahuan Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)
+ [Dokumentasi Neptunus Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)
+ [Ikhtisar Amazon Web Services: Database](https://docs.aws.amazon.com/whitepapers/latest/aws-overview/database.html)
+ [Menggunakan Aurora PostgreSQL sebagai Basis Pengetahuan untuk Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [Bekerja dengan 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)
+ [Vektor Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html)

### AWS Sumber daya lainnya
<a name="other-aws-resources"></a>
+ [Basis Pengetahuan Amazon Bedrock](https://aws.amazon.com/bedrock/knowledge-bases/)
+ [Database Vektor & Embeddings](https://aws.amazon.com/solutions/databases/vector-databases-and-embeddings/)
+ [Database Vektor untuk aplikasi AI generatif](https://community.aws/content/2f5dkpj96MDM6Y9lumYPjZAB8SX/vector-databases-for-generative-ai-applications)
+ [Apa itu Embeddings dalam Machine Learning?](https://aws.amazon.com/what-is/embeddings-in-machine-learning/)

### Sumber daya lainnya
<a name="other-resources"></a>
+ [Tentang PostgreSQL](https://www.postgresql.org/about/)
+ [dokumentasi pgvector](https://github.com/pgvector/pgvector)
+ [Biji Pinus sebagai Basis Pengetahuan untuk Amazon Bedrock](https://docs.pinecone.io/integrations/amazon-bedrock)
+ [Redis Enterprise Cloud aktif AWS](https://redis.io/docs/latest/integrate/aws-redis-cloud/)