Amazon Bedrock Knowledge Bases के लिए वेक्टर स्टोर चुनना
aws ·
यह लेख बताता है कि Amazon Bedrock Knowledge Bases द्वारा समर्थित ग्राहक-प्रबंधित तीन वेक्टर-स्टोर बैकएंड—Amazon OpenSearch Service, pgvector वाला Amazon Aurora PostgreSQL और Amazon S3 Vectors—में से कैसे चुनाव किया जाए। इसमें रिट्रीवल-ऑगमेंटेड जनरेशन में वेक्टर डेटाबेस की भूमिका समझाई गई है, जहाँ एम्बेड किए गए दस्तावेज़ खंडों को अर्थगत समानता के आधार पर खोजकर बड़े भाषा मॉडल को संदर्भ के रूप में दिया जाता है। OpenSearch को रियल-टाइम उत्पाद कैटलॉग खोज के लिए बेहतर विकल्प बताया गया है, खासकर तब जब कम विलंबता, हाइब्रिड कीवर्ड-वेक्टर खोज, फ़िल्टरिंग और एग्रीगेशन महत्वपूर्ण हों। S3 Vectors को लागत-संवेदनशील गहन शोध और बड़े पैमाने के वर्कलोड के लिए उपयुक्त बताया गया है; इसमें इलास्टिक स्केलिंग, बैच-केंद्रित प्रोसेसिंग और रिपोर्ट किए गए Wikipedia परीक्षणों में एक सेकंड से कम समय में रिट्रीवल की सुविधा है। pgvector वाला Aurora उन ग्राहक-सामना करने वाले चैटबॉट्स के लिए सुझाया गया है जिन्हें रिलेशनल डेटा एकीकरण और HNSW तथा IVFFlat इंडेक्सिंग की तुलना करने की लचीलापन चाहिए; वर्णित वर्कलोड में परीक्षण किए गए दोनों तरीकों ने 50 मिलीसेकंड से कम की माध्यिका विलंबता दी। चयन संबंधी मार्गदर्शन में विलंबता, क्वेरी पैटर्न, हाइब्रिड-सर्च आवश्यकताओं और लागत-संवेदनशीलता का मूल्यांकन करने की सलाह दी गई है, साथ ही यह बताया गया है कि एक टियर्ड आर्किटेक्चर प्रदर्शन-आधारित महत्वपूर्ण उपसमुच्चयों के लिए S3 Vectors को OpenSearch या Aurora के साथ मिला सकता है। चूँकि बेंचमार्क में सीधे समान परिस्थितियों वाली तुलना के बजाय अलग-अलग वर्कलोड का इस्तेमाल किया गया था, इसलिए लेख टीमों को अपने डेटा और क्वेरी पैटर्न के साथ इन विकल्पों का परीक्षण करने की सलाह देता है।
aws