ฐานข้อมูลของ AWS

รักษาความปลอดภัยให้กับแอปพลิเคชันของคุณด้วยการเข้ารหัสขณะพักและระหว่างส่งข้อมูล การแยกเครือข่าย และอื่น ๆ AWS มอบความยืดหยุ่นด้วยความพร้อมใช้งานสูงสุดถึง 99.999%, การใช้งานอินสแตนซ์แบบ multi-AZ, การจำลองแบบในหลายรีเจี้ยน การใช้ระบบสำรองเพื่อกู้คืนข้อมูลอัตโนมัติ และอื่น ๆ

เริ่มต้นในระดับเล็กและปรับขนาดด้วยฐานข้อมูลแบบเชิงสัมพันธ์ที่มีปริมาณอัตราการถ่ายโอนข้อมูลสูงกว่าฐานข้อมูลทางเลือกหรือฐานข้อมูลที่ไม่ใช่เชิงสัมพันธ์ที่ให้ความล่าช้าในระดับมิลลิวินาทีถึงไมโครวินาทีในทุกระดับถึง 3–5 เท่า

ลดค่าใช้จ่ายโดยรวมในการเป็นเจ้าของโดยใช้เครื่องมือที่เหมาะสมกับงานและใช้ประโยชน์จากนวัตกรรมต่าง ๆ เช่น การไม่ต้องใช้เซิร์ฟเวอร์ Aurora I/O-Optimized สำหรับการคาดการณ์ราคา และอินสแตนซ์ EC2 Graviton4 เพื่อประโยชน์เพิ่มเติมด้านประสิทธิภาพของราคา

ปรับขนาดทันทีโดยไม่ต้องใช้เซิร์ฟเวอร์ ไม่ต้องจัดการเซิร์ฟเวอร์ และไม่มีเวลาหยุดทำงานระหว่างการบำรุงรักษา นอกจากนี้ การบูรณาการ ETL แบบไร้รอยต่อของ AWS ยังช่วยลดความซับซ้อนของการวิเคราะห์ ML และการค้นหาข้อมูลการปฏิบัติการ โดยไม่ต้องสร้างหรือจัดการข้อมูลอีกต่อไป

บล็อกนี้กล่าวถึงบทบาทสำคัญของฐานข้อมูลเวกเตอร์ในแอปพลิเคชัน AI ช่วยสร้าง โดยเฉพาะอย่างยิ่งในการใช้ RAG อธิบายว่าฐานข้อมูลเวกเตอร์ช่วยจัดเก็บและสืบค้นการฝังข้อมูลเฉพาะโดเมนได้อย่างไร เพื่อเพิ่มความแม่นยำและความเกี่ยวเนื่องในการตอบสนองของ AI

บล็อกนี้อธิบายว่า Aurora Optimized Reads ช่วยปรับปรุงประสิทธิภาพการค้นหาเวกเตอร์ได้อย่างมีนัยสำคัญอย่างไร โดยเฉพาะอย่างยิ่งเมื่อใช้การสร้างดัชนีแบบ HNSW ซึ่งให้ประสิทธิภาพการสอบถามข้อมูลดีขึ้นสูงสุดถึง 20 เท่า เมื่อเทียบกับการสร้างดัชนีแบบ IVFFlat

บล็อกนี้อธิบายถึงวิธีที่องค์กรสามารถปรับแต่งการตอบสนองของโมเดลพื้นฐานด้วยข้อมูลส่วนตัวของตนเอง โดยยังคงได้รับประโยชน์จากคุณสมบัติด้านประสิทธิภาพของ Aurora และเวิร์กโหลด RAG ที่มีการจัดการอย่างเต็มรูปแบบของ Amazon Bedrock

เวิร์กช็อปนี้จะสาธิตวิธีการผสานรวมโมเดลพื้นฐานจาก Amazon Bedrock และ Hugging Face เข้ากับ Aurora PostgreSQL เพื่อสร้าง จัดเก็บ และสืบค้นการฝังเวกเตอร์อย่างมีประสิทธิภาพ

เวิร์กช็อปนี้จะแสดงวิธีการรวมความสามารถในการประมวลผลธุรกรรมประสิทธิภาพสูงของ DynamoDB เข้ากับคุณสมบัติการค้นหาและการวิเคราะห์ของ OpenSearch เพื่อสร้างสถาปัตยกรรมที่รองรับแอปพลิเคชันที่ต้องการการใช้เหตุผลเชิงบริบทแบบไดนามิก ผ่านแบบฝึกหัดภาคปฏิบัติ คุณจะได้รับความเชี่ยวชาญในการตั้งค่า Amazon Bedrock Connector การจัดการข้อมูลแคตตาล็อกสินค้า และการใช้งานฟังก์ชันการค้นหาแบบอิงตามเวกเตอร์

Amazon Neptune Analytics ช่วยให้คุณเปิดเผยข้อมูลเชิงลึกที่ล้ำหน้าและใช้ AI ช่วยสร้างผ่านการวิเคราะห์กราฟ การโหลดข้อมูลเร็วขึ้น 80 เท่า และการค้นหาความคล้ายคลึงกันของเวกเตอร์

องค์กรที่ใช้ Amazon Aurora รับรู้ว่า TCO ลดลง 42% การคืนทุนจากการลงทุน 6 เดือน และ ROI สำหรับสามปี 434%

องค์กรที่ใช้ DynamoDB รับรู้ว่า TCO ลดลง 25% คืนทุนจากการลงทุน 8 เดือนและ ROI สามปี 378%

องค์กรที่ใช้ ElastiCache รับรู้ว่า TCO ลดลง 48% คืนทุนจากการลงทุน 7 เดือนและ ROI สามปี 449%

องค์กรที่ใช้ RDS (ไม่รวมถึง Aurora รับรู้ว่า) TCO ลดลง 34% การคืนทุนจากการลงทุน 5 เดือน และ ROI สำหรับสามปี 258%

คู่มือสำหรับ Valkey ซึ่งเป็นซอฟต์แวร์โอเพนซอร์สที่แยกสาขามาจาก Redis OSS เวอร์ชัน 7.2 ซึ่งเป็นเวอร์ชันล่าสุดที่พร้อมใช้งานนี้ เหมาะอย่างยิ่งสำหรับองค์กรที่ต้องการแคชแบบโอเพนซอร์สที่มีประสิทธิภาพสูงและผ่านการพิสูจน์การใช้งานมาแล้ว เราจะอภิปรายถึงช่วงเวลาที่ควรใช้การทำแคช และเจาะลึกเกี่ยวกับรูปแบบการสร้างแบบแผนข้อมูลหลัก การเพิ่มประสิทธิภาพทรัพยากร รวมถึงประเภทข้อมูลและรูปแบบขั้นสูง

หนังสือเกี่ยวกับการสร้างแบบจำลองข้อมูลเล่มนี้จะช่วยให้คุณเรียนรู้เกี่ยวกับโมเดลเอกสารได้อย่างรวดเร็ว พร้อมทั้งแบ่งปันเคล็ดลับขั้นสูงสำหรับการเพิ่มประสิทธิภาพ Amazon DocumentDB