Cơ sở dữ liệu AWS

Bảo mật ứng dụng bằng tính năng mã hóa khi đang lưu trữ và khi đang truyền, cách ly mạng và nhiều tính năng khác. AWS cung cấp khả năng phục hồi nhanh với độ sẵn sàng lên đến 99,999%, triển khai nhiều vùng sẵn sàng, sao chép trên nhiều khu vực, chuyển đổi dự phòng tự động và nhiều tính năng khác.

Bắt đầu với quy mô nhỏ rồi điều chỉnh quy mô bằng cơ sở dữ liệu quan hệ có thông lượng cao hơn các cơ sở dữ liệu khác từ 3 đến 5 lần hoặc cơ sở dữ liệu phi quan hệ có độ trễ từ dưới một mili giây đến micro giây ở quy mô bất kỳ.

Giảm tổng chi phí sở hữu bằng cách sử dụng công cụ phù hợp với tác vụ và tận dụng các giải pháp đổi mới như phi máy chủ, Aurora tối ưu hóa I/O để có khả năng dự đoán giá và phiên bản EC2 Graviton4 để có thêm lợi ích về tỷ lệ giá/hiệu năng.

Điều chỉnh quy mô tức thì bằng cách sử dụng công nghệ phi máy chủ để không cần quản lý máy chủ và bảo trì mà không cần thời gian ngừng hoạt động. Ngoài ra, tích hợp không ETL của AWS cũng đơn giản hóa phân tích, ML và việc tìm kiếm trên dữ liệu hoạt động để giúp loại bỏ nhu cầu xây dựng hoặc quản lý quy trình dữ liệu.

Bài blog này thảo luận về vai trò quan trọng của cơ sở dữ liệu véc-tơ trong các ứng dụng AI tạo sinh, đặc biệt là khi triển khai RAG. Bài viết giải thích cách cơ sở dữ liệu véc-tơ giúp lưu trữ và truy vấn các phần nhúng của dữ liệu theo miền cụ thể để nâng cao độ chính xác và mức độ phù hợp của phản hồi AI.

Bài blog thảo luận cách Aurora Optimized Reads cải thiện đáng kể hiệu năng tìm kiếm véc-tơ, đặc biệt khi sử dụng lập chỉ mục HNSW, mang lại hiệu năng truy vấn tốt hơn tới 20 lần so với lập chỉ mục IVFFlat.

Bài blog này giải thích cách các tổ chức có thể tùy chỉnh phản hồi của mô hình nền tảng bằng dữ liệu riêng, đồng thời tận dụng các tính năng hiệu năng của Aurora và quy trình RAG được quản lý toàn phần của Amazon Bedrock.

Hội thảo trình bày cách tích hợp các mô hình nền tảng từ Amazon Bedrock và Hugging Face với Aurora PostgreSQL để tạo, lưu trữ và truy vấn hiệu quả các phần nhúng véc-tơ.

Hội thảo này trình bày cách kết hợp các khả năng giao dịch hiệu năng cao của DynamoDB với các tính năng tìm kiếm và phân tích của OpenSearch Service, qua đó tạo ra một kiến trúc vững chắc cho các ứng dụng suy luận nhận biết ngữ cảnh. Thông qua các bài thực hành, bạn sẽ có được chuyên môn về cách thiết lập Bộ kết nối Amazon Bedrock, quản lý dữ liệu danh mục sản phẩm và triển khai các chức năng tìm kiếm dựa trên véc-tơ.

Phân tích Amazon Neptune giúp bạn khám phá thông tin chuyên sâu mang tính đột phá và áp dụng AI tạo sinh thông qua phân tích đồ thị, khả năng tải dữ liệu nhanh hơn 80 lần và tìm kiếm độ tương tự véc-tơ.

Các tổ chức áp dụng Amazon Aurora đạt được TCO thấp hơn 42%, thời gian hoàn vốn đầu tư là 6 tháng và ROI trong ba năm là 434%.

Các tổ chức áp dụng DynamoDB đạt được TCO thấp hơn 25%, thời gian hoàn vốn đầu tư là 8 tháng và ROI trong ba năm là 378%.

Các tổ chức áp dụng ElastiCache đạt được TCO thấp hơn 48%, thời gian hoàn vốn đầu tư là 7 tháng và ROI trong ba năm là 449%.

Các tổ chức áp dụng RDS (không bao gồm Aurora) đạt được TCO thấp hơn 34%, thời gian hoàn vốn đầu tư là 5 tháng và ROI trong ba năm là 258%.

Hướng dẫn này về Valkey - một phân nhánh nguồn mở từ phiên bản Redis OSS v7.2 khả dụng cuối cùng - rất phù hợp với các tổ chức muốn có bộ nhớ đệm nguồn mở, hiệu năng cao và đã được kiểm chứng. Chúng tôi thảo luận về thời điểm nên dùng bộ nhớ đệm và tìm hiểu sâu về các mẫu mô hình hóa dữ liệu cốt lõi, tối ưu hóa tài nguyên, cũng như các kiểu và mẫu dữ liệu nâng cao.

Cuốn sách về lập mô hình dữ liệu này sẽ giúp bạn nhanh chóng tìm hiểu về mô hình tài liệu, đồng thời chia sẻ các mẹo nâng cao để tối ưu hóa Amazon DocumentDB.