Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Risorse e passaggi successivi
<a name="next-steps"></a>

Dopo aver esaminato questa guida, considera le seguenti azioni per passare dalla comprensione all'implementazione:

1. Valuta le tue esigenze attuali:
   + Valuta l'infrastruttura e le competenze di database esistenti.
   + Documenta i tuoi requisiti specifici di ricerca vettoriale.
   + Definisci i tuoi obiettivi di prestazioni, scalabilità e costi.

1. Scegliete una delle seguenti opzioni per testare le opzioni del database vettoriale:
   + **Opzione 1:** impostate un proof of concept utilizzando la vostra soluzione di database vettoriale preferita.
   + **Opzione 2:** sperimenta con set di dati di esempio in Amazon Bedrock Knowledge Bases. Prova l'esperienza di creazione rapida per una Knowledge Base di Amazon Bedrock. Per un esempio, consulta [Quick create an Aurora PostgreSQL Knowledge Base per Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.quickcreatekb.html) nella documentazione di Aurora.

1. [Consulta le risorse aggiuntive.](#resources)

1. Fatti aiutare da un esperto:
   + Contatta il tuo Account AWS team o i AWS Solutions Architects per una guida all'implementazione.
   + [Interagisci con AWS partner](https://partners.amazonaws.com/) specializzati in database vettoriali.

1. Pianifica la tua implementazione in produzione:
   + Crea una strategia di migrazione se passi da database esistenti.
   + Sviluppa un piano di scalabilità per la soluzione prescelta.
   + Progetta le tue procedure di monitoraggio e manutenzione.

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

Le seguenti risorse possono aiutarti nella scelta di un database vettoriale.

### AWS post sul blog
<a name="blog-posts"></a>
+ [Accelera lo sviluppo di applicazioni di intelligenza artificiale generativa con Amazon Bedrock Knowledge Bases, Quick Create e 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/)
+ [Spiegazione delle funzionalità del database vettoriale di Amazon OpenSearch Service](https://aws.amazon.com/blogs/big-data/amazon-opensearch-services-vector-database-capabilities-explained/)
+ [Approfondisci gli archivi di dati vettoriali utilizzando Amazon Bedrock Knowledge Bases](https://aws.amazon.com/blogs/machine-learning/dive-deep-into-vector-data-stores-using-amazon-bedrock-knowledge-bases/)
+ [Sfrutta pgvector e Amazon Aurora PostgreSQL per l'elaborazione del linguaggio naturale, i chatbot e l'analisi dei sentimenti](https://aws.amazon.com/blogs/database/leverage-pgvector-and-amazon-aurora-postgresql-for-natural-language-processing-chatbots-and-sentiment-analysis/)

### AWS documentazione di servizio
<a name="service-docs"></a>
+ [Scelta di un servizio di AWS database](https://docs.aws.amazon.com/decision-guides/latest/databases-on-aws-how-to-choose/databases-on-aws-how-to-choose.html)
+ [Come funzionano le knowledge base di Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)
+ [Documentazione di Neptune Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)
+ [Panoramica di Amazon Web Services: database](https://docs.aws.amazon.com/whitepapers/latest/aws-overview/database.html)
+ [Utilizzo di Aurora PostgreSQL come Knowledge Base per Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [Lavorare con 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)

### Altre risorse AWS
<a name="other-aws-resources"></a>
+ [Basi di conoscenza di Amazon Bedrock](https://aws.amazon.com/bedrock/knowledge-bases/)
+ [Database vettoriali e incorporamenti](https://aws.amazon.com/solutions/databases/vector-databases-and-embeddings/)
+ [Database vettoriali per applicazioni di intelligenza artificiale generativa](https://community.aws/content/2f5dkpj96MDM6Y9lumYPjZAB8SX/vector-databases-for-generative-ai-applications)
+ [Cosa sono gli Embeddings nel Machine Learning?](https://aws.amazon.com/what-is/embeddings-in-machine-learning/)

### Altre risorse
<a name="other-resources"></a>
+ [Informazioni su PostgreSQL](https://www.postgresql.org/about/)
+ [documentazione pgvector](https://github.com/pgvector/pgvector)
+ [Pinecone come base di conoscenza per Amazon Bedrock](https://docs.pinecone.io/integrations/amazon-bedrock)
+ [Redis Enterprise Cloud su AWS](https://redis.io/docs/latest/integrate/aws-redis-cloud/)