AIF-C01 · Projektowanie aplikacji z modelami bazowymi
Gdzie w AWS można przechowywać i przeszukiwać embeddingi?
Najważniejsze
- Magazyn wektorowy przechowuje embeddingi i znajduje najbliższe zapytaniu.
- W AWS mogą nim być: Amazon OpenSearch Service (wyszukiwanie k-NN, także pełnotekstowe), Amazon Aurora PostgreSQL i RDS for PostgreSQL (rozszerzenie pgvector, embeddingi obok danych relacyjnych) oraz Amazon Neptune Analytics (graf z indeksem wektorowym, używany w GraphRAG).
- Amazon Bedrock Knowledge Bases mogą używać kilku z nich jako magazynu wektorowego.
Źródło: https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html
Przykładowe pytania
Do czego służy magazyn wektorowy w aplikacji RAG?
- Generuje końcową odpowiedź w języku naturalnym
- Uczy model embeddingów na pytaniach użytkowników
- Znajduje zapisane fragmenty o embeddingach najbardziej podobnych do zapytania
- Szyfruje prompty, zanim trafią do modelu
Pokaż odpowiedź
Odpowiedź: C. Znajduje zapisane fragmenty o embeddingach najbardziej podobnych do zapytania
Przechowuje embeddingi i zwraca fragmenty, których wektory są najbliższe wektorowi zapytania. Nie generuje tekstu i nie jest usługą treningową.
Które usługi AWS mogą przechowywać embeddingi na potrzeby wyszukiwania wektorowego?
- Amazon Polly
- Amazon OpenSearch Service
- Amazon CloudFront
- Amazon Aurora PostgreSQL
- AWS Budgets
Pokaż odpowiedź
Odpowiedź: B. Amazon OpenSearch Service, D. Amazon Aurora PostgreSQL
Amazon OpenSearch Service obsługuje pola wektorowe k-NN, a Amazon Aurora PostgreSQL może przechowywać wektory dzięki pgvector. Amazon Polly (synteza mowy), Amazon CloudFront (CDN) i AWS Budgets (alerty kosztowe) nie są magazynami wektorowymi.
Baza relacyjna taka jak Aurora PostgreSQL nie może przechowywać embeddingów, więc do RAG zawsze potrzebna jest wyspecjalizowana baza wektorowa.
Pokaż odpowiedź
Odpowiedź: Fałsz
Fałsz. Dzięki rozszerzeniu pgvector Aurora PostgreSQL i RDS for PostgreSQL przechowują embeddingi i wykonują wyszukiwanie podobieństwa. Wyspecjalizowany magazyn jest wyborem, a nie wymogiem.
Przećwicz 8 pytań z tego tematu w Bitzu
Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.

Więcej tematów AIF-C01 w tym module
- Jak wybrać model bazowy do aplikacji?
- Za co odpowiadają temperature, top-p, top-k i maksymalna długość wyjścia?
- Czym jest Retrieval Augmented Generation (RAG) i jak implementują je Amazon Bedrock Knowledge Bases?
- Jak podejścia do dostosowania modelu bazowego wypadają pod względem kosztu i nakładu pracy?
- Czym jest agent AI i do czego się nadaje?