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.
# Opzioni del database vettoriale
AWS offre una vasta gamma di soluzioni di database vettoriali per supportare diversi casi d'uso e requisiti nelle applicazioni di intelligenza artificiale generativa. Queste opzioni possono essere ampiamente suddivise in singoli servizi di database e offerte di servizi gestiti, ciascuno con caratteristiche e vantaggi distinti. La comprensione di queste opzioni è fondamentale per le organizzazioni che desiderano implementare in modo efficace le funzionalità di ricerca vettoriale mantenendo prestazioni, scalabilità ed efficienza dei costi ottimali.
Per ulteriori informazioni sulle soluzioni di database vettoriali, consulta le seguenti sezioni:
+ [Opzioni di database vettoriali individuali](#individual-dbs)
+ [Opzione di servizio gestito](#managed-db)
+ [Scelta del database vettoriale giusto](#choosing-database)
## Opzioni di database vettoriali individuali
[Le opzioni di database vettoriali individuali AWS includono [Amazon Kendra OpenSearch , Amazon](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html)[Service, Amazon RDS per PostgreSQL con pgvector,](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/what-is.html)[Amazon MemoryDB, Amazon DocumentDB](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/CHAP_PostgreSQL.html)[, Amazon DocumentDB[,](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)[Amazon Neptune Analytics e Amazon](https://docs.aws.amazon.com/documentdb/latest/developerguide/what-is.html) S3 Vector](https://docs.aws.amazon.com/memorydb/latest/devguide/what-is-memorydb.html).](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html) (Un'estensione open source, pgvector aggiunge la possibilità di archiviare e cercare incorporamenti vettoriali generati da ML.) [Queste soluzioni offrono approcci diversi alla ricerca vettoriale, consentendo alle organizzazioni di scegliere in base all'infrastruttura esistente, ai requisiti tecnici e ai casi d'uso specifici.](use-cases.md)
### Amazon Kendra
Amazon Kendra è un servizio di ricerca intelligente di livello aziendale che utilizza l'elaborazione del linguaggio naturale e algoritmi avanzati di apprendimento automatico per restituire risposte specifiche alle domande di ricerca dai tuoi dati. Amazon Kendra semplifica l'implementazione della funzionalità di ricerca, rendendola una soluzione di backend efficace per applicazioni di intelligenza artificiale generativa.
Altre caratteristiche chiave di Amazon Kendra includono:
+ Connessioni native a oltre [40 fonti di dati](https://aws.amazon.com/kendra/connectors/)
+ Funzionalità integrate di preparazione dei dati
+ Configurazione rapida che non richiede competenze tecniche approfondite
I vantaggi di Amazon Kendra includono i seguenti:
+ Elaborazione automatizzata dei dati (suddivisione in blocchi, ingestione, recupero)
+ Potenti opzioni di personalizzazione:
+ [Ricerca sfaccettata](https://docs.aws.amazon.com/kendra/latest/dg/filtering.html)
+ [Analisi della ricerca](https://docs.aws.amazon.com/kendra/latest/dg/search-analytics.html)
+ [Ottimizzazione della pertinenza della ricerca](https://docs.aws.amazon.com/kendra/latest/dg/tuning.html)
+ Accesso programmatico semplice tramite [AWS SDK per Python (Boto3)](https://docs.aws.amazon.com/kendra/latest/dg/gs-python.html)
Per ulteriori informazioni, consulta [i vantaggi di Amazon Kendra nella documentazione di Amazon](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html#what-is-benefits) Kendra.
### OpenSearch Servizio Amazon
Amazon OpenSearch Service è un servizio gestito che ti aiuta a distribuire, gestire e scalare i cluster OpenSearch di servizi in. Cloud AWS
Le funzionalità principali di OpenSearch Service includono quanto segue:
+ Motore di ricerca e analisi open source
+ Architettura distribuita
+ Elaborazione dati in tempo reale
Alcuni vantaggi dell'utilizzo del OpenSearch servizio includono quanto segue:
+ Scalabilità orizzontale
+ RESTful Supporto API
+ Gestisce dati strutturati e non strutturati
+ Analisi dei dati in tempo reale
+ Adatto a diverse dimensioni di implementazione
Per ulteriori informazioni, consulta [le funzionalità di Amazon OpenSearch Service](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/what-is.html#what-is-features) nella documentazione del OpenSearch servizio.
### Amazon RDS per PostgreSQL con pgvector
Amazon RDS [per](https://github.com/pgvector/pgvector) PostgreSQL con AWS pgvector combina il servizio di database relazionale gestito con l'estensione di elaborazione vettoriale di PostgreSQL. Questa combinazione consente alle organizzazioni di archiviare e interrogare vettori ad alta dimensione mantenendo Amazon RDS. La soluzione è particolarmente adatta per applicazioni di intelligenza artificiale generativa che richiedono operazioni vettoriali in tempo reale senza il sovraccarico di gestione dell'infrastruttura di database.
I vantaggi principali di Amazon RDS for PostgreSQL con pgvector includono:
+ Elevata disponibilità
+ Failover automatico
+ pay-per-useConveniente ()
+ Monitoraggio integrato
+ Integrazione di dati vettoriali in tempo reale
Per ulteriori informazioni, consulta [i vantaggi di Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/Welcome.html) nella documentazione di Amazon RDS.
### Amazon DocumentDB
Amazon DocumentDB (compatibile con MongoDB) è un database di documenti che offre funzionalità di ricerca vettoriale native nella versione 5.0 e successive. Combina la flessibilità dell'archiviazione di documenti basata su JSON con la ricerca vettoriale, supportando i metodi di indicizzazione Hierarchical Navigable Small World (HNSW) e Inverted File Flat (). IVFFlat
Le funzionalità principali di Amazon DocumentDB includono quanto segue:
+ Archivia e indicizza vettori fino a 2.000 dimensioni (fino a 16.000 dimensioni senza indicizzazione)
+ Tempi di risposta in millisecondi per le ricerche di similarità vettoriale
+ Support per le metriche della distanza tra prodotti euclidei, coseno e scalari
+ Perfetta integrazione con le applicazioni esistenti compatibili con MongoDB
Usa Amazon DocumentDB nelle seguenti situazioni:
+ Per applicazioni che utilizzano già APIs MongoDB e che necessitano di funzionalità di ricerca vettoriale
+ Per casi d'uso che richiedono strutture di dati di documenti flessibili combinate con la ricerca semantica
+ Per scenari che richiedono sia le tradizionali interrogazioni sui documenti che le ricerche di similarità vettoriale
+ Per applicazioni che forniscono consigli sui prodotti, personalizzazione, assistenti di chat e rilevamento delle frodi
Per ulteriori informazioni, consulta [Vector search for Amazon DocumentDB nella documentazione di Amazon](https://docs.aws.amazon.com/documentdb/latest/developerguide/vector-search.html) DocumentDB.
### Amazon MemoryDB
Amazon MemoryDB è un database in memoria compatibile con Redis che offre le prestazioni di ricerca vettoriale più veloci tra i database vettoriali più diffusi su. AWS Fornisce latenze di query inferiori al millisecondo con durabilità Multi-Availability Zone.
Le funzionalità principali di MemoryDB includono quanto segue:
+ Archivia i dati delle applicazioni e milioni di vettori in un unico database
+ Tempi di risposta alle interrogazioni e agli aggiornamenti a una cifra in millisecondi
+ Tassi di richiamo più elevati alle prestazioni più elevate su AWS
+ Support per un massimo di 32.768 dimensioni per vettore
+ Funzionalità di ricerca semantica e memorizzazione nella cache in tempo reale
Usa MemoryDB nelle seguenti situazioni:
+ Per applicazioni in tempo reale che richiedono una latenza estremamente bassa (inferiore a 10 ms)
+ Per carichi di lavoro ad alta velocità con milioni di richieste al giorno
+ Per casi d'uso come motori di raccomandazione in tempo reale, memorizzazione nella cache semantica e rilevamento di anomalie
+ Per applicazioni che richiedono sia funzionalità di archiviazione dati in memoria che di ricerca vettoriale
Per ulteriori informazioni, consulta [Ricerca vettoriale](https://docs.aws.amazon.com/memorydb/latest/devguide/vector-search.html) nella documentazione di MemoryDB.
### Analisi di Amazon Neptune
Amazon Neptune Analytics è un motore di analisi dei grafici che offre funzionalità di ricerca vettoriale native, che lo rendono ideale per i casi d'uso di Graph Retrieval Augmented Generation (GraphRag). Combina la ricerca per similarità vettoriale con algoritmi e attraversamenti di grafici.
Le funzionalità principali di Neptune Analytics includono quanto segue:
+ Analizza decine di miliardi di relazioni in pochi secondi
+ Combina la ricerca vettoriale con algoritmi grafici (ricerca del percorso, rilevamento della comunità, centralità)
+ Support per applicazioni GraphRag con conoscenze topologiche
+ Fino a 80 volte più veloce rispetto alle soluzioni analitiche grafiche esistenti
+ Integrazione con Amazon Bedrock per GraphRag completamente gestito
Usa Neptune Analytics nelle seguenti situazioni:
+ Per applicazioni GraphRag che richiedono grafici della conoscenza con incorporamenti vettoriali
+ Per casi d'uso che richiedono l'attraversamento di relazioni complesse insieme alla somiglianza vettoriale
+ Per applicazioni che richiedono risposte AI spiegabili con contesto relazionale
+ Per scenari quali visualizzazioni a 360 gradi dei clienti, reti di rilevamento delle frodi e scoperta delle conoscenze
Per ulteriori informazioni, consulta la documentazione di [Amazon Neptune Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html).
### Amazon S3 Vectors
Amazon S3 Vectors è il primo archivio di oggetti nel cloud AWS con funzionalità native di archiviazione vettoriale e di interrogazione. Fornisce uno storage vettoriale personalizzato e ottimizzato in termini di costi per applicazioni di intelligenza artificiale che richiedono una scalabilità enorme.
Le funzionalità principali di Amazon S3 Vectors includono quanto segue:
+ Archiviazione per un massimo di 2 miliardi di vettori per indice con supporto per un massimo di 10.000 indici per bucket vettoriale
+ Latenza delle query inferiore a 100 ms ottimizzata per l'archiviazione a lungo termine e modelli di accesso poco frequenti
+ Riduzione dei costi fino al 90% per le operazioni vettoriali rispetto ai database vettoriali specializzati
+ Architettura serverless con scalabilità automatica e durabilità del 99,25% (11 9s)
Usa Amazon S3 Vectors nelle seguenti situazioni:
+ Per applicazioni che richiedono lo storage di miliardi di vettori a costi minimi
+ Per carichi di lavoro che tollerano una latenza delle query inferiore al secondo (100 ms o più) anziché inferiore a 10 ms
+ Per casi d'uso di conservazione vettoriale e archiviazione a lungo termine
+ Per applicazioni RAG con schemi di recupero poco frequenti
+ Per le organizzazioni che danno priorità ai vantaggi economici dello storage rispetto alla latenza ultra bassa
Amazon S3 Vectors si integra nativamente con le Knowledge Base di Amazon Bedrock e funziona bene in architetture a più livelli con Amazon Service. OpenSearch Puoi usare Amazon S3 Vectors per la conservazione a freddo e usare OpenSearch Service per le hot query.
Per ulteriori informazioni, consulta [Lavorare con vettori S3 e bucket vettoriali](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors.html) nella documentazione di Amazon S3.
## Opzione di servizio gestito
Amazon Bedrock Knowledge Bases rappresenta l'approccio AWS completamente gestito all'implementazione di database vettoriali. La flessibilità del servizio nelle opzioni di storage, combinata con le sue funzionalità di gestione automatizzata, lo rende particolarmente utile per le organizzazioni che desiderano implementare RAG senza gestire infrastrutture complesse.
Con Amazon Bedrock Knowledge Bases, puoi creare, gestire e interrogare basi di conoscenza che migliorano i tuoi modelli di base utilizzando RAG. Questo servizio semplifica il complesso processo di implementazione di RAG gestendo l'intera pipeline di inserimento, vettorizzazione e recupero dei dati.
I vantaggi principali delle Knowledge Base di Amazon Bedrock includono:
+ Elaborazione semplificata dei dati
+ Inserimento e suddivisione automatici dei dati
+ Estrazione di testo integrata da più formati di file
+ Generazione gestita di incorporamenti vettoriali
+ Estrazione e indicizzazione automatiche dei metadati
+ Implementazione RAG semplificata
+ Strategie di recupero preconfigurate
+ Ottimizzazione automatica della finestra contestuale
+ Ottimizzazione della pertinenza integrata
+ Funzionalità di ricerca semantica pronte all'uso
+ Sicurezza e governance
+ Controlli integrati AWS Identity and Access Management (IAM)
+ Crittografia dei dati a riposo e in transito
+ Supporto per VPC
+ Registrazione di audit con AWS CloudTrail
Amazon Bedrock Knowledge Bases supporta diverse [opzioni di archiviazione vettoriale, tra](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html) cui:
+ Amazon Aurora PostgreSQL con pgvector
+ Analisi di Amazon Neptune
+ Amazon EMR Serverless
+ Amazon S3 Vectors
+ Pigna
+ Redis Enterprise Cloud
Questo servizio gestito gestisce l'inserimento, la vettorizzazione e il recupero automatizzati dei dati. Questo semplifica le implementazioni RAG.
Per informazioni dettagliate su ogni archivio vettoriale supportato, consulta la documentazione di [Amazon Bedrock Knowledge Bases](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html).
## Scelta del database vettoriale giusto
Seleziona il tuo database vettoriale in base a questi fattori decisionali chiave:
+ **Se hai bisogno di un database di documenti compatibile con MongoDB con ricerca vettoriale, scegli Amazon DocumentDB**. Questa soluzione è ideale quando l'applicazione utilizza APIs MongoDB e si desidera aggiungere funzionalità di ricerca semantica senza gestire un'infrastruttura vettoriale separata.
+ **Se hai bisogno di una latenza ultra bassa per applicazioni in tempo reale**, scegli Amazon MemoryDB. Ciò fornisce le prestazioni di ricerca vettoriale più veloci con tempi di risposta inferiori al millisecondo AWS . È ideale per i motori di raccomandazione in tempo reale e le applicazioni ad alto rendimento.
+ **Se hai bisogno di rappresentazioni della conoscenza basate su grafici con ricerca vettoriale**, scegli Amazon Neptune Analytics. Questa è la soluzione ideale per le applicazioni GraphRag che devono attraversare relazioni complesse ed eseguire query basate su grafici insieme a ricerche vettoriali, fornendo risposte di intelligenza artificiale spiegabili.
+ **Se hai bisogno di combinare query relazionali con la ricerca vettoriale, scegli Amazon Aurora PostgreSQL con pgvector**. Questa opzione è ideale quando l'applicazione richiede sia operazioni SQL tradizionali che ricerche di similarità vettoriale all'interno dello stesso database.
+ **Se hai bisogno di query ad alta velocità con latenza inferiore a 10 ms**, scegli Amazon Service. OpenSearch Eccelle nella gestione di query ad alta frequenza e applicazioni in tempo reale e include recenti miglioramenti nell'accelerazione della GPU.
+ **Se hai bisogno di archiviare miliardi di vettori a costi contenuti, scegli Amazon S3** Vectors. Questa opzione offre un risparmio sui costi fino al 90% ed è ideale per applicazioni con schemi di recupero poco frequenti (da minuti a ore tra le query) che possono tollerare una latenza inferiore a 100 ms.
+ **Se hai bisogno di una ricerca di testo completo oltre alla ricerca vettoriale**, scegli Amazon OpenSearch Service. Questa opzione combina potenti funzionalità di ricerca full-text con la ricerca vettoriale in un'unica piattaforma.