Choisir une base vectorielle pour Amazon Bedrock Knowledge Bases
aws ·
L’article explique comment choisir parmi les trois moteurs de stockage vectoriel gérés par le client et pris en charge par les bases de connaissances Amazon Bedrock : Amazon OpenSearch Service, Amazon Aurora PostgreSQL avec pgvector et Amazon S3 Vectors. Il décrit le rôle des bases de données vectorielles dans la génération augmentée par récupération, où des segments de documents convertis en vecteurs sont récupérés selon leur similarité sémantique, puis transmis à un grand modèle de langage comme contexte. OpenSearch est présenté comme particulièrement adapté à la recherche en temps réel dans des catalogues de produits, notamment lorsque la faible latence, la recherche hybride par mots-clés et vecteurs, le filtrage et les agrégations sont importants. S3 Vectors est positionné pour les recherches approfondies et les charges de travail à grande échelle sensibles aux coûts, avec une mise à l’échelle élastique, un traitement orienté lots et une récupération en moins d’une seconde lors des tests rapportés sur Wikipédia. Aurora avec pgvector est recommandé pour les chatbots destinés aux clients qui nécessitent une intégration avec des données relationnelles et la flexibilité nécessaire pour comparer les index HNSW et IVFFlat, les deux approches testées ayant produit une latence médiane inférieure à 50 millisecondes dans la charge de travail décrite. Les recommandations de sélection préconisent d’évaluer la latence, les modèles de requêtes, les besoins en recherche hybride et la sensibilité aux coûts, tout en indiquant qu’une architecture à plusieurs niveaux peut associer S3 Vectors à OpenSearch ou Aurora pour les sous-ensembles où les performances sont essentielles. Comme les benchmarks reposaient sur des charges de travail distinctes plutôt que sur une comparaison directe à conditions parfaitement égales, l’article conseille aux équipes de tester ces options avec leurs propres données et modèles de requêtes.
aws