As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Próximas etapas e recursos
<a name="next-steps"></a>

Depois de analisar este guia, considere as seguintes ações para passar da compreensão à implementação:

1. Avalie suas necessidades atuais:
   + Avalie sua infraestrutura de banco de dados e sua experiência existentes.
   + Documente seus requisitos específicos de pesquisa vetorial.
   + Defina suas metas de desempenho, escalabilidade e custo.

1. Escolha uma das opções a seguir para testar as opções do banco de dados vetoriais:
   + **Opção 1:** configure uma prova de conceito usando sua solução de banco de dados vetorial preferida.
   + **Opção 2:** Experimente com conjuntos de dados de amostra nas bases de conhecimento Amazon Bedrock. Experimente a experiência de criação rápida de uma base de conhecimento Amazon Bedrock. Para ver um exemplo, consulte [Criação rápida de uma base de conhecimento do Aurora PostgreSQL para o Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.quickcreatekb.html) na documentação do Aurora.

1. Analise [os recursos](#resources) adicionais.

1. Obtenha ajuda especializada:
   + Entre em contato com sua Conta da AWS equipe ou com os arquitetos de AWS soluções para obter orientação de implementação.
   + [Interaja com AWS parceiros](https://partners.amazonaws.com/) especializados em bancos de dados vetoriais.

1. Planeje sua implantação de produção:
   + Crie uma estratégia de migração se estiver migrando dos bancos de dados existentes.
   + Desenvolva um plano de escalabilidade para a solução escolhida.
   + Projete seus procedimentos de monitoramento e manutenção.

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

Os recursos a seguir podem ajudá-lo a escolher um banco de dados vetoriais.

### AWS postagens no blog
<a name="blog-posts"></a>
+ [Acelere o desenvolvimento de aplicativos de IA generativa com o Amazon Bedrock Knowledge Bases Quick Create e o 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/)
+ [Explicação dos recursos de banco de dados vetoriais do Amazon OpenSearch Service](https://aws.amazon.com/blogs/big-data/amazon-opensearch-services-vector-database-capabilities-explained/)
+ [Mergulhe profundamente nos armazenamentos de dados vetoriais usando as bases de conhecimento Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/dive-deep-into-vector-data-stores-using-amazon-bedrock-knowledge-bases/)
+ [Utilize o pgvector e o Amazon Aurora PostgreSQL para processamento de linguagem natural, chatbots e análise de sentimentos](https://aws.amazon.com/blogs/database/leverage-pgvector-and-amazon-aurora-postgresql-for-natural-language-processing-chatbots-and-sentiment-analysis/)

### AWS documentação de serviço
<a name="service-docs"></a>
+ [Escolhendo um serviço AWS de banco de dados](https://docs.aws.amazon.com/decision-guides/latest/databases-on-aws-how-to-choose/databases-on-aws-how-to-choose.html)
+ [Como funcionam as bases de conhecimento do Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)
+ [Documentação do Neptune Analytics](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/what-is-neptune-analytics.html)
+ [Visão geral da Amazon Web Services: bancos de dados](https://docs.aws.amazon.com/whitepapers/latest/aws-overview/database.html)
+ [Usando o Aurora PostgreSQL como base de conhecimento para o Amazon Bedrock](https://docs.aws.amazon.com/AmazonRDS/latest/AuroraUserGuide/AuroraPostgreSQL.VectorDB.html)
+ [Trabalho com 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)

### Outros AWS recursos
<a name="other-aws-resources"></a>
+ [Bases de conhecimento do Amazon Bedrock](https://aws.amazon.com/bedrock/knowledge-bases/)
+ [Bancos de dados vetoriais e incorporações](https://aws.amazon.com/solutions/databases/vector-databases-and-embeddings/)
+ [Bancos de dados vetoriais para aplicativos generativos de IA](https://community.aws/content/2f5dkpj96MDM6Y9lumYPjZAB8SX/vector-databases-for-generative-ai-applications)
+ [O que são incorporações no Machine Learning?](https://aws.amazon.com/what-is/embeddings-in-machine-learning/)

### Outros recursos da
<a name="other-resources"></a>
+ [Sobre o PostgreSQL](https://www.postgresql.org/about/)
+ [Documentação do pgvector](https://github.com/pgvector/pgvector)
+ [Pinecone como base de conhecimento para o Amazon Bedrock](https://docs.pinecone.io/integrations/amazon-bedrock)
+ [Redis Enterprise Cloud ativado AWS](https://redis.io/docs/latest/integrate/aws-redis-cloud/)