Come scegliere un archivio vettoriale per Amazon Bedrock Knowledge Bases
aws ·
L’articolo spiega come scegliere tra i tre backend di vector store gestiti dal cliente supportati da Amazon Bedrock Knowledge Bases: Amazon OpenSearch Service, Amazon Aurora PostgreSQL con pgvector e Amazon S3 Vectors. Descrive il ruolo dei database vettoriali nella generazione aumentata dal recupero (RAG), in cui i segmenti di documenti incorporati vengono recuperati in base alla similarità semantica e passati a un modello linguistico di grandi dimensioni come contesto. OpenSearch è presentato come una soluzione adatta alla ricerca in tempo reale nei cataloghi di prodotti, soprattutto quando sono importanti bassa latenza, ricerca ibrida per parole chiave e vettori, filtri e aggregazioni. S3 Vectors è indicato per attività di ricerca approfondita sensibili ai costi e carichi di lavoro su larga scala, grazie alla scalabilità elastica, all’elaborazione orientata ai batch e al recupero in meno di un secondo nei test riportati su Wikipedia. Aurora con pgvector è consigliato per chatbot rivolti ai clienti che richiedono l’integrazione con dati relazionali e la flessibilità di confrontare gli indici HNSW e IVFFlat; nel carico di lavoro descritto, entrambi gli approcci testati hanno raggiunto una latenza mediana inferiore a 50 millisecondi. Le indicazioni per la scelta raccomandano di valutare latenza, modelli di query, requisiti di ricerca ibrida e sensibilità ai costi, osservando che un’architettura a più livelli può combinare S3 Vectors con OpenSearch o Aurora per i sottoinsiemi più sensibili alle prestazioni. Poiché i benchmark hanno utilizzato carichi di lavoro separati anziché un confronto diretto alla pari, l’articolo consiglia ai team di testare le opzioni con i propri dati e modelli di query.
aws