概览
本指南介绍如何通过将 AWS 和人工智能（AI）服务与 pgvector 扩展集成，创建具有相似度搜索功能的产品目录。作为 PostgreSQL 的开源扩展，pgvector 增加了在向量嵌入中存储和搜索点以及查找与这些点最相似或“最近邻”的功能。借助最近邻搜索功能，可在 PostgreSQL 数据库中使用语义来支持各种智能应用程序和数据分析。如下所示，通过将 pgvector 与 AWS 服务集成，可进行纯图像以及文本转图像的相似度搜索，从而让消费者的购物体验更加个性化、更具相关性以及更高效。
重要：本指南要求使用 AWS Cloud9，新客户不再可用。AWS Cloud9 的现有客户可以继续照常使用和部署本指南。
工作原理
此架构图显示了如何构建具有相似性搜索功能的产品目录。它使用人工智能（AI）、亚马逊 SageMaker、适用于 PostgreSQL 的亚马逊 RDS 和 pgvector 扩展。
开始使用
Well-Architected 支柱
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
SageMaker 简化了机器学习模型生命周期管理，使您能够快速适应不断变化的数据和用户需求。带有 pgvector 扩展的 RDS for PostgreSQL 提供了强大的数据存储和高效的最近邻搜索功能，因此您可以向消费者提供准确、及时的搜索结果。这些服务共同简化了搜索体验的部署、监控和维护。
RDS for PostgreSQL 使用行业标准加密协议保护您的数据，而 SageMaker 提供内置安全控件，以安全地管理模型训练和部署流程。
我们建议您使用 AWS 身份和访问管理 (IAM) 来控制对您的 AWS 资源的访问权限，并使用 A WS Secrets Manager 保护敏感证书。
RDS for PostgreSQL 提供高可用性和耐久性，通过自动备份、数据库快照和多可用区 (AZ) 部署来增强容错能力。此外，SageMaker 允许您跨可用区配置多个实例，以实现机器学习操作的高可用性并快速从故障中恢复。
SageMaker 支持近乎实时的推理和对用户查询的低延迟响应。 带有 pgvector 扩展的 RDS for PostgreSQL 可实现对向量嵌入的高效管理和查询，从而显著加快将用户查询与产品目录匹配所需的相似度搜索速度。
我们建议您使用 A mazon CloudWatch 和 AWS A uto Scaling 等 AWS 服务持续监控和优化系统性能，以便本指南中的组件保持响应速度和成本效益。
SageMaker 通过提供按使用量付费的托管服务，以及针对特定工作负载进行了优化的实例类型，从而帮助降低成本。此外，RDS for PostgreSQL 通过预留实例和扩展选项提供成本效益，这些选项可根据您的数据库工作负载调整资源，最大限度地减少不必要的开支。此外，您可以实施成本监控和优化策略，例如 AWS 预算和 AWS Cost Explorer ，以持续识别和解决潜在的成本效率低下问题。
SageMaker 和 RDS for PostgreSQL 是 AWS 托管服务，通过高效处理工作负载来优化资源使用，通过最大限度地减少工作负载所需的计算资源来减少对环境的影响。通过在 AWS 云中部署本指南，您可以避免采购物理硬件，从而进一步增强系统的整体可持续性。此外，使用AWS CloudTrail和A WS Config 等AWS服务来监控和执行可持续实践，例如资源利用率和能源效率。
相关内容
使用 Amazon SageMaker 和 pgvector 在 PostgreSQL 中构建人工智能驱动的搜索
本博文演示了如何通过将 Amazon SageMaker 与 Amazon Relational Database Service（Amazon RDS）for PostgreSQL（带 pgvector 扩展）集成来创建产品目录相似度搜索解决方案。
免责声明
找到今天要查找的内容了吗？
请提供您的意见，以便我们改进网页内容的质量。