Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Opsi basis data vektor
AWS menawarkan beragam solusi basis data vektor untuk mendukung berbagai kasus penggunaan dan persyaratan dalam aplikasi AI generatif. Opsi ini dapat dikategorikan secara luas ke dalam layanan database individu dan penawaran layanan terkelola, masing-masing dengan karakteristik dan keunggulan yang berbeda. Memahami opsi ini sangat penting bagi organisasi yang ingin menerapkan kemampuan pencarian vektor secara efektif sambil mempertahankan kinerja, skalabilitas, dan efisiensi biaya yang optimal.
Untuk informasi selengkapnya tentang solusi database vektor, lihat bagian berikut:
+ [Opsi basis data vektor individu](#individual-dbs)
+ [Opsi layanan terkelola](#managed-db)
+ [Memilih database vektor yang tepat](#choosing-database)
## Opsi basis data vektor individu
[https://docs.aws.amazon.com/documentdb/latest/developerguide/what-is.html](https://docs.aws.amazon.com/documentdb/latest/developerguide/what-is.html) (Ekstensi sumber terbuka, pgvector menambahkan kemampuan untuk menyimpan dan mencari embeddings vektor yang dihasilkan ML.) Solusi ini menawarkan pendekatan yang berbeda untuk pencarian vektor, memungkinkan organisasi untuk memilih berdasarkan infrastruktur yang ada, persyaratan teknis, dan [kasus penggunaan](use-cases.md) spesifik.
### Amazon Kendra
Amazon Kendra adalah layanan pencarian cerdas tingkat perusahaan yang menggunakan pemrosesan bahasa alami dan algoritme pembelajaran mesin canggih untuk mengembalikan jawaban spesifik atas pertanyaan penelusuran dari data Anda. Amazon Kendra menyederhanakan implementasi fungsionalitas pencarian, menjadikannya solusi backend yang efektif untuk aplikasi AI generatif.
Fitur utama lainnya dari Amazon Kendra adalah sebagai berikut:
+ Koneksi asli ke lebih dari [40 sumber data](https://aws.amazon.com/kendra/connectors/)
+ Kemampuan persiapan data bawaan
+ Pengaturan cepat yang tidak memerlukan keahlian teknis yang mendalam
Manfaat Amazon Kendra meliputi yang berikut ini
+ Pemrosesan data otomatis (chunking, konsumsi, pengambilan)
+ Opsi kustomisasi yang kuat:
+ [Pencarian facet](https://docs.aws.amazon.com/kendra/latest/dg/filtering.html)
+ [Analisis pencarian](https://docs.aws.amazon.com/kendra/latest/dg/search-analytics.html)
+ [Menyetel relevansi pencarian](https://docs.aws.amazon.com/kendra/latest/dg/tuning.html)
+ Akses terprogram sederhana melalui [AWS SDK untuk Python (Boto3)](https://docs.aws.amazon.com/kendra/latest/dg/gs-python.html)
Untuk informasi lebih lanjut, lihat [Manfaat Amazon Kendra di dokumentasi](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html#what-is-benefits) Amazon Kendra.
### OpenSearch Layanan Amazon
Amazon OpenSearch Service adalah layanan terkelola yang membantu Anda menyebarkan, mengoperasikan, dan menskalakan kluster OpenSearch Layanan di. AWS Cloud
Kemampuan inti OpenSearch Layanan meliputi:
+ Mesin pencari dan analitik sumber terbuka
+ Arsitektur terdistribusi
+ Pemrosesan data waktu nyata
Beberapa keuntungan menggunakan OpenSearch Layanan antara lain sebagai berikut:
+ Skalabilitas horisontal
+ RESTful Dukungan API
+ Menangani data terstruktur dan tidak terstruktur
+ Analisis data waktu nyata
+ Cocokkan untuk berbagai ukuran penyebaran
Untuk informasi selengkapnya, lihat [Fitur OpenSearch Layanan Amazon](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/what-is.html#what-is-features) di dokumentasi OpenSearch Layanan.
### Amazon RDS untuk PostgreSQL dengan pgvector
Amazon RDS [for](https://github.com/pgvector/pgvector) PostgreSQL dengan AWS pgvector menggabungkan layanan database relasional terkelola dengan ekstensi pemrosesan vektor PostgreSQL. Kombinasi ini memungkinkan organisasi untuk menyimpan dan menanyakan vektor dimensi tinggi sambil mempertahankan Amazon RDS. Solusi ini sangat cocok untuk aplikasi AI generatif yang memerlukan operasi vektor real-time tanpa overhead mengelola infrastruktur database.
Manfaat utama Amazon RDS untuk PostgreSQL dengan pgvector meliputi:
+ Ketersediaan tinggi
+ Failover otomatis
+ Hemat biaya () pay-per-use
+ Pemantauan bawaan
+ Integrasi data vektor waktu nyata
Untuk informasi selengkapnya, lihat [Keuntungan Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/Welcome.html) dalam dokumentasi Amazon RDS.
### Amazon DocumentDB
Amazon DocumentDB (dengan kompatibilitas MongoDB) adalah database dokumen yang menawarkan kemampuan pencarian vektor asli di versi 5.0 dan yang lebih baru. Ini menggabungkan fleksibilitas penyimpanan dokumen berbasis JSON dengan pencarian vektor, mendukung metode pengindeksan dunia kecil yang dapat dinavigasi hierarkis (HNSW) dan Inverted File Flat (). IVFFlat
Kemampuan inti Amazon DocumentDB meliputi yang berikut:
+ Simpan dan indeks vektor hingga 2.000 dimensi (hingga 16.000 dimensi tanpa pengindeksan)
+ Waktu respons milidetik untuk pencarian kesamaan vektor
+ Support untuk metrik jarak produk euclidean, cosinus, dan dot
+ Integrasi mulus dengan aplikasi yang kompatibel dengan MongoDB yang ada
Gunakan Amazon DocumentDB dalam situasi berikut:
+ Untuk aplikasi yang sudah menggunakan APIs MongoDB dan yang membutuhkan kemampuan pencarian vektor
+ Untuk kasus penggunaan yang memerlukan struktur data dokumen fleksibel yang dikombinasikan dengan pencarian semantik
+ Untuk skenario yang membutuhkan kueri dokumen tradisional dan pencarian kesamaan vektor
+ Untuk aplikasi yang memberikan rekomendasi produk, personalisasi, asisten obrolan, dan deteksi penipuan
Untuk informasi selengkapnya, lihat [Pencarian vektor untuk Amazon DocumentDB di dokumentasi Amazon](https://docs.aws.amazon.com/documentdb/latest/developerguide/vector-search.html) DocumentDB.
### Amazon MemoryDB
Amazon MemoryDB adalah database dalam memori yang kompatibel dengan REDIS yang memberikan kinerja pencarian vektor tercepat di antara basis data vektor populer. AWS Ini menyediakan latensi kueri sub-milidetik dengan daya tahan Zona Ketersediaan Multi-ketersediaan.
Kemampuan inti dari MemoryDB meliputi:
+ Simpan data aplikasi dan jutaan vektor dalam satu database
+ Kueri milidetik satu digit dan perbarui waktu respons
+ Tingkat penarikan tertinggi pada kinerja tercepat AWS
+ Support hingga 32.768 dimensi per vektor
+ Kemampuan pencarian dan caching semantik waktu nyata
Gunakan MemoryDB dalam situasi berikut:
+ Untuk aplikasi real-time yang membutuhkan latensi ultra-rendah (sub-10ms)
+ Untuk beban kerja throughput tinggi dengan jutaan permintaan per hari
+ Untuk kasus penggunaan seperti mesin rekomendasi real-time, caching semantik, dan deteksi anomali
+ Untuk aplikasi yang membutuhkan penyimpanan data dalam memori dan kemampuan pencarian vektor
Untuk informasi selengkapnya, lihat [Pencarian vektor](https://docs.aws.amazon.com/memorydb/latest/devguide/vector-search.html) di dokumentasi MemoryDB.
### Analisis Amazon Neptunus
Amazon Neptune Analytics adalah mesin analisis grafik yang menawarkan kemampuan pencarian vektor asli, membuatnya ideal untuk kasus penggunaan Graph Retrieval Augmented Generation (GraphRag). Ini menggabungkan pencarian kesamaan vektor dengan traversal grafik dan algoritma.
Kemampuan inti Neptunus Analytics meliputi:
+ Menganalisis puluhan miliar hubungan dalam hitungan detik
+ Gabungkan pencarian vektor dengan algoritma grafik (pencarian jalur, deteksi komunitas, sentralitas)
+ Support untuk aplikasi GraphRag dengan pengetahuan topologi
+ Hingga 80 kali lebih cepat dari solusi analisis grafik yang ada
+ Integrasi dengan Amazon Bedrock untuk GraphRag yang dikelola sepenuhnya
Gunakan Neptune Analytics dalam situasi berikut:
+ Untuk aplikasi GraphRag yang membutuhkan grafik pengetahuan dengan embeddings vektor
+ Untuk kasus penggunaan yang memerlukan melintasi hubungan kompleks di samping kesamaan vektor
+ Untuk aplikasi yang membutuhkan respons AI yang dapat dijelaskan dengan konteks hubungan
+ Untuk skenario seperti tampilan 360 pelanggan, jaringan deteksi penipuan, dan penemuan pengetahuan
Untuk informasi selengkapnya, lihat dokumentasi [Amazon Neptune Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html).
### Vektor Amazon S3
Amazon S3 Vectors adalah penyimpanan objek cloud pertama AWS dengan penyimpanan vektor asli dan kemampuan kueri. Ini menyediakan penyimpanan vektor yang dibuat khusus dan dioptimalkan biaya untuk aplikasi AI yang membutuhkan skala besar.
Kemampuan inti Vektor Amazon S3 meliputi yang berikut:
+ Penyimpanan hingga 2 miliar vektor per indeks dengan dukungan hingga 10.000 indeks per bucket vektor
+ Latensi kueri sub-100 ms yang dioptimalkan untuk penyimpanan jangka panjang dan pola akses yang jarang
+ Pengurangan biaya hingga 90% untuk operasi vektor dibandingkan dengan database vektor khusus
+ Arsitektur tanpa server dengan penskalaan otomatis dan daya tahan 99,999999999% (11 9s)
Gunakan Vektor Amazon S3 dalam situasi berikut:
+ Untuk aplikasi yang membutuhkan penyimpanan miliaran vektor dengan biaya minimal
+ Untuk beban kerja yang mentolerir latensi kueri sub-detik (100 ms atau lebih) daripada sub-10 ms
+ Untuk retensi vektor jangka panjang dan kasus penggunaan arsip
+ Untuk aplikasi RAG dengan pola pengambilan yang jarang
+ Untuk organisasi yang memprioritaskan ekonomi penyimpanan di atas latensi ultra-rendah
Amazon S3 Vectors terintegrasi secara native dengan Amazon Bedrock Knowledge Bases dan bekerja dengan baik dalam arsitektur berjenjang dengan Amazon Service. OpenSearch Anda dapat menggunakan Vektor Amazon S3 untuk penyimpanan dingin dan menggunakan OpenSearch Layanan untuk kueri panas.
Untuk informasi selengkapnya, lihat [Bekerja dengan Vektor S3 dan bucket vektor dalam dokumentasi](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html) Amazon S3.
## Opsi layanan terkelola
Amazon Bedrock Knowledge Bases mewakili pendekatan yang dikelola AWS sepenuhnya untuk implementasi database vektor. Fleksibilitas layanan dalam opsi penyimpanan, dikombinasikan dengan fitur manajemen otomatisnya, membuatnya sangat berharga bagi organisasi yang ingin menerapkan RAG tanpa mengelola infrastruktur yang kompleks.
Dengan Pangkalan Pengetahuan Amazon Bedrock, Anda dapat membuat, memelihara, dan menanyakan basis pengetahuan yang menyempurnakan model fondasi Anda menggunakan RAG. Layanan ini menyederhanakan proses kompleks penerapan RAG dengan mengelola seluruh konsumsi data, vektorisasi, dan pipa pengambilan.
Manfaat utama dari Pangkalan Pengetahuan Amazon Bedrock meliputi:
+ Pemrosesan data yang disederhanakan
+ Konsumsi dan chunking data otomatis
+ Ekstraksi teks bawaan dari berbagai format file
+ Generasi penyematan vektor terkelola
+ Ekstraksi dan pengindeksan metadata otomatis
+ Implementasi RAG yang efisien
+ Strategi pengambilan yang telah dikonfigurasi sebelumnya
+ Optimalisasi jendela konteks otomatis
+ Penyetelan relevansi bawaan
+ Kemampuan pencarian semantik di luar kotak
+ Keamanan dan tata kelola
+ Kontrol terintegrasi AWS Identity and Access Management (IAM)
+ Enkripsi data saat istirahat dan dalam perjalanan
+ Dukungan VPC
+ Audit logging dengan AWS CloudTrail
Amazon Bedrock Knowledge Bases mendukung beberapa [opsi penyimpanan vektor](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html), termasuk:
+ Amazon Aurora PostgreSQL dengan pgvector
+ Analisis Amazon Neptunus
+ Amazon EMR Tanpa Server
+ Vektor Amazon S3
+ Biji pinus
+ Awan Perusahaan Redis
Layanan terkelola ini menangani konsumsi data otomatis, vektorisasi, dan pengambilan. Ini menyederhanakan implementasi RAG.
Untuk informasi mendetail tentang setiap penyimpanan vektor yang didukung, lihat [dokumentasi Pangkalan Pengetahuan Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html).
## Memilih database vektor yang tepat
Pilih database vektor Anda berdasarkan faktor keputusan utama ini:
+ **Jika Anda memerlukan database dokumen yang kompatibel dengan MongoDB dengan pencarian vektor** - Pilih Amazon DocumentDB. Ini sangat ideal ketika aplikasi Anda menggunakan APIs MongoDB dan Anda ingin menambahkan kemampuan pencarian semantik tanpa mengelola infrastruktur vektor terpisah.
+ **Jika Anda membutuhkan latensi ultra-rendah untuk aplikasi waktu nyata** - Pilih Amazon MemoryDB. Ini memberikan kinerja pencarian vektor tercepat AWS dengan waktu respons sub-milidetik. Ini ideal untuk mesin rekomendasi real-time dan aplikasi throughput tinggi.
+ **Jika Anda memerlukan representasi pengetahuan berbasis grafik dengan pencarian vektor** — Pilih Amazon Neptune Analytics. Ini terbaik untuk aplikasi GraphRag yang perlu melintasi hubungan kompleks dan melakukan kueri berbasis grafik di samping pencarian vektor, memberikan respons AI yang dapat dijelaskan.
+ **Jika Anda perlu menggabungkan kueri relasional dengan pencarian vektor** — Pilih Amazon Aurora PostgreSQL dengan pgvector. Opsi ini sangat ideal ketika aplikasi Anda memerlukan operasi SQL tradisional dan pencarian kesamaan vektor dalam database yang sama.
+ **Jika Anda memerlukan kueri throughput tinggi dengan latensi sub-10 ms** — Pilih Layanan Amazon. OpenSearch Ini unggul dalam menangani kueri frekuensi tinggi dan aplikasi real-time dan mencakup peningkatan akselerasi GPU baru-baru ini.
+ **Jika Anda perlu menyimpan miliaran vektor dengan biaya efektif — Pilih Vektor** Amazon S3. Opsi ini memberikan penghematan biaya hingga 90% dan sangat ideal untuk aplikasi dengan pola pengambilan yang jarang (menit hingga jam di antara kueri) yang dapat mentolerir latensi sub-100 ms.
+ **Jika Anda memerlukan pencarian teks lengkap bersama pencarian vektor** — Pilih OpenSearch Layanan Amazon. Opsi ini menggabungkan kemampuan pencarian teks lengkap yang kuat dengan pencarian vektor dalam satu platform.