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.

# Panoramica dei database vettoriali
<a name="vector-databases"></a>

Un database vettoriale è un sistema specializzato che archivia e interroga vettori ad alta dimensione in modo efficiente. Questi database sono fondamentali per le applicazioni Retrieval Augmented Generation (RAG).

I database vettoriali gestiscono la conversione e l'archiviazione dei dati nei seguenti modi:
+ Gli oggetti (come audio, immagini e file di testo) vengono convertiti in vettori utilizzando modelli di incorporamento.
+ I vettori vengono archiviati in formati di dati specializzati.
+ I database vettoriali consentono ricerche rapide di similarità.

I database vettoriali offrono diversi vantaggi chiave rispetto ai database tradizionali, il che li rende particolarmente adatti per le moderne sfide legate ai dati. Sono ottimizzati specificamente per le operazioni vettoriali e gestiscono dati ad alta dimensione in modo efficiente. Sono inoltre specializzati nelle ricerche di similarità che i database tradizionali non riescono a gestire. Oltre a queste funzionalità di base, i database vettoriali sono progettati per soddisfare le esigenze in continua evoluzione delle applicazioni ML e di intelligenza artificiale generativa. Eccellono nello storage vettoriale su larga scala e utilizzano il calcolo distribuito per bilanciare i carichi di lavoro su più nodi. Ciò offre scalabilità e prestazioni man mano che i volumi di dati crescono.

Il diagramma seguente mostra un'implementazione RAG:

1. Il contenuto, ad esempio documenti o file di testo PDFs, viene inserito nel modello di incorporamento come dati grezzi per l'elaborazione.

1. Il modello di incorporamento trasforma i dati grezzi in vettori numerici, che rappresentano il significato semantico del contenuto.

1. Gli incorporamenti vettoriali generati vengono archiviati in un database vettoriale ottimizzato per l'archiviazione e il recupero di vettori ad alta dimensione.

1. Le applicazioni possono ora interrogare il database vettoriale in risposta a casi d'uso come la ricerca semantica e la raccomandazione di contenuti.

![Il modello di incorporamento converte i contenuti in incorporamenti vettoriali archiviati nel database vettoriale per rispondere alle domande.](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/choosing-an-aws-vector-database-for-rag-use-cases/images/s3-model.png)


La scelta di un database vettoriale inappropriato per una soluzione RAG può portare a difficoltà e limitazioni significative, tra cui: 
+ Scarse prestazioni delle query
+ Colli di bottiglia in termini di scalabilità
+ Sfide legate all'ingestione dei dati
+ Mancanza di funzionalità avanzate, come il filtraggio e il posizionamento
+ Difficoltà di integrazione con altri sistemi
+ Problemi di persistenza e durabilità
+ Problemi di concorrenza e coerenza in ambienti con più utenti
+ Costi di licenza più elevati o vincolo al fornitore
+ Supporto e risorse limitati per la community 
+ Potenziali rischi per la sicurezza e la conformità