Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Utilizzo di S3 Vectors con Knowledge Base per Amazon Bedrock
<a name="s3-vectors-bedrock-kb"></a>

S3 Vectors si integra con [Amazon Bedrock Knowledge Bases e](https://aws.amazon.com/bedrock/knowledge-bases/) [Amazon SageMaker AI Unified Studio](https://aws.amazon.com/sagemaker/unified-studio/) per semplificare e ridurre il costo dello storage vettoriale per le applicazioni RAG (Retrieval Augmented Generation).

Per ulteriori informazioni sui comandi della CLI di alto livello che integrano i modelli di embedding di Amazon Bedrock con le operazioni di S3 Vectors, consulta .

**Topics**
+ [Panoramica dell’integrazione](#s3-vectors-bedrock-kb-overview)
+ [Quando utilizzare questa integrazione](#s3-vectors-bedrock-kb-when)
+ [Modelli di embedding supportati](#s3-vectors-bedrock-kb-models)
+ [Prerequisiti e autorizzazioni](#s3-vectors-bedrock-kb-prereq)
+ [Creazione di una knowledge base con S3 Vectors](#s3-vectors-bedrock-kb-create)
+ [Gestione e interrogazione della knowledge base](#s3-vectors-bedrock-kb-manage)
+ [Limitazioni](#s3-vectors-bedrock-kb-limits)

## Panoramica dell’integrazione
<a name="s3-vectors-bedrock-kb-overview"></a>

Quando crei una knowledge base in Amazon Bedrock, puoi selezionare S3 Vectors come archivio vettoriale. Questa integrazione offre i seguenti vantaggi:
+ **Risparmio sui costi** per le applicazioni RAG con set di dati vettoriali di grandi dimensioni.
+ **Perfetta integrazione** con il flusso di lavoro RAG completamente gestito di Amazon Bedrock.
+ **Gestione vettoriale automatica** tramite il servizio Amazon Bedrock.
+ Latenza di query a **freddo inferiore al secondo e latenza di query a caldo di soli 100 millisecondi per operazioni di recupero della knowledge base**.

Amazon Bedrock Knowledge Bases fornisce un flusso di lavoro end-to-end RAG completamente gestito. Quando crei una knowledge base con S3 Vectors, Amazon Bedrock recupera automaticamente i dati dall’origine dati S3, converte i contenuti in blocchi di testo, genera gli embedding e li archivia nell’indice vettoriale. È quindi possibile eseguire query sulla knowledge base e ottenere risposte basate sui blocchi recuperati dai dati di origine.

## Quando utilizzare questa integrazione
<a name="s3-vectors-bedrock-kb-when"></a>

Valuta di utilizzare S3 Vectors con Knowledge Base per Amazon Bedrock quando hai bisogno di quanto segue:
+ **Archiviazione vettoriale conveniente** per set di dati di grandi dimensioni in cui una latenza di query inferiore al secondo soddisfa i requisiti dell’applicazione.
+ **Recupero di documenti in base a testo e immagini** per casi d’uso come la ricerca tra manuali, policy e contenuti visivi.
+ **Applicazioni RAG** che danno priorità all’ottimizzazione dei costi di archiviazione rispetto alle risposte a latenza ultrabassa.
+ **Operazioni vettoriali gestite** senza la necessità di imparare direttamente le operazioni API di S3 Vectors (puoi continuare a utilizzare le interfacce di Amazon Bedrock che già conosci).
+ **Archiviazione vettoriale a lungo termine** con la durabilità e la scalabilità di Amazon S3.

Questa integrazione è ideale per le organizzazioni che sviluppano applicazioni RAG e che devono cercare ed estrarre informazioni da contenuti di testo e immagini, laddove i vantaggi in termini di costo offerti da S3 Vectors siano in linea con requisiti di prestazioni delle query considerati accettabili.

## Modelli di embedding supportati
<a name="s3-vectors-bedrock-kb-models"></a>

Consulta i [modelli supportati per gli incorporamenti vettoriali](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-supported.html#knowledge-base-supported-embeddings) nella *Amazon Bedrock User Guide*.

## Prerequisiti e autorizzazioni
<a name="s3-vectors-bedrock-kb-prereq"></a>

Prima di creare una knowledge base con S3 Vectors, assicurati di disporre di quanto segue:
+ Autorizzazioni IAM appropriate per entrambi i servizi S3 Vectors e Amazon Bedrock. Per ulteriori informazioni sulle autorizzazioni IAM per S3 Vectors, consulta [Identity and Access Management in S3 Vectors](s3-vectors-access-management.md). Per ulteriori informazioni sulle autorizzazioni IAM relative al tuo ruolo di servizio per Knowledge Base per Amazon Bedrock per accedere a S3 Vectors, consulta [Autorizzazioni per accedere all’archivio vettoriale in Amazon S3 Vectors](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-permissions.html#kb-permissions-s3vectors) nella *Guida per l’utente di Amazon Bedrock*.
+ Documenti di origine pronti per essere importati nella knowledge base.
+ Conoscenza dei requisiti del modello di embedding.

Quando configuri le configurazioni di sicurezza, puoi scegliere un ruolo IAM che fornisce l'autorizzazione ad Amazon Bedrock per accedere ai servizi richiesti AWS . Puoi lasciare che Amazon Bedrock crei il ruolo di servizio o utilizzi un ruolo personalizzato. Se utilizzi un ruolo personalizzato, configura una policy di bucket vettoriale che limiti l’accesso al bucket vettoriale e all’indice vettoriale al solo ruolo personalizzato.

Per informazioni dettagliate sulle autorizzazioni richieste e sui ruoli IAM, consulta [Creazione di un ruolo di servizio per Knowledge Base per Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-permissions.html) nella *Guida per l’utente di Amazon Bedrock*. Il ruolo di servizio deve inoltre disporre delle autorizzazioni per S3 Vectors e le operazioni API. AWS KMS 

## Creazione di una knowledge base con S3 Vectors
<a name="s3-vectors-bedrock-kb-create"></a>

Esistono due metodi per creare una knowledge base che utilizza S3 Vectors.

### Metodo 1: utilizzando la console Amazon Bedrock
<a name="s3-vectors-bedrock-kb-create-console"></a>

Quando crei una knowledge base nella console Amazon Bedrock, puoi selezionare “Bucket vettoriale S3” come opzione di archiviazione vettoriale. Sono disponibili due opzioni di configurazione:
+ **Creazione rapida di un nuovo archivio vettoriale**: Amazon Bedrock crea un bucket vettoriale S3 e un indice vettoriale, configurandoli con le impostazioni richieste. Per impostazione predefinita, il bucket vettoriale è crittografato tramite crittografia lato server utilizzando chiavi gestite di Amazon S3 (SSE-S3). Facoltativamente, puoi crittografare il bucket utilizzando. AWS KMS Per ulteriori informazioni sulla **creazione rapida di un nuovo archivio vettoriale** nella console, consulta [Creazione di una knowledge base collegandosi a un’origine dati in Knowledge Base per Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-create.html) nella *Guida per l’utente di Amazon Bedrock*.
+ **Selezione di un archivio vettoriale già creato**: seleziona un bucket vettoriale S3 e un indice vettoriale esistenti dall’account che hai creato in precedenza. Per ulteriori informazioni sulla creazione di un bucket vettoriale S3 e di un indice vettoriale nella console di Knowledge Base per Amazon Bedrock, vedi la scheda S3 Vectors in [Prerequisiti per l’utilizzo di un archivio vettoriale creato per una knowledge base](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html) nella *Guida per l’utente di Amazon Bedrock*.

Per step-by-step istruzioni dettagliate, consulta [Creare una knowledge base collegandosi a un'origine dati in Amazon Bedrock Knowledge Bases](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-create.html) nella *Amazon Bedrock User* Guide.

### Metodo due: usare Amazon SageMaker Unified Studio
<a name="s3-vectors-bedrock-kb-create-studio"></a>

Puoi anche creare e gestire basi di conoscenza con S3 Vectors tramite Amazon Bedrock in [Amazon SageMaker AI](https://aws.amazon.com/sagemaker/unified-studio/) Unified Studio. che consiste in un ambiente di sviluppo unificato per creare e testare applicazioni di intelligenza artificiale che utilizzano basi di conoscenza.

[Amazon Bedrock in SageMaker AI Unified Studio](https://aws.amazon.com/bedrock/unifiedstudio/) è progettato per gli utenti che necessitano di funzionalità notebook integrate e lavorano su più servizi di AWS ML e analisi. Puoi creare rapidamente un bucket vettoriale S3 e configurarlo come archivio vettoriale per le tue knowledge base quando crei applicazioni di IA generativa.

Per informazioni sull'uso di S3 Vectors con Amazon Bedrock in SageMaker AI Unified Studio, consulta [Aggiungere una fonte di dati alla tua app Amazon Bedrock](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/data-sources.html) nella Guida per l'utente di *SageMaker AI* Unified Studio.

## Gestione e interrogazione della knowledge base
<a name="s3-vectors-bedrock-kb-manage"></a>

### Sincronizzazione e gestione dei dati
<a name="s3-vectors-bedrock-kb-manage-sync"></a>

Knowledge Base per Amazon Bedrock offre operazioni basate su processi di acquisizione per garantire la sincronizzazione tra l’origine dati e gli embedding vettoriali. Quando sincronizzi l’origine dati, Amazon Bedrock scansiona ogni documento e verifica se è stato indicizzato nell’archivio vettoriale. Puoi anche indicizzare direttamente i documenti nell'archivio vettoriale utilizzando l'operazione. [IngestKnowledgeBaseDocuments](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent_IngestKnowledgeBaseDocuments.html) Al fine di garantire la sincronizzazione dei dati, è buona prassi creare un archivio vettoriale separato per ogni knowledge base.

Quando elimini una knowledge base o una risorsa di origine dati, Amazon Bedrock offre due policy di eliminazione dei dati: `Delete` (predefinita) e `Retain`. Se scegli la policy `Delete`, i vettori nell’indice vettoriale e nel bucket vettoriale vengono eliminati automaticamente.

### Interrogazione e recupero
<a name="s3-vectors-bedrock-kb-manage-query"></a>

Dopo aver configurato la knowledge base, è possibile:
+ **Recuperare i blocchi** dai dati di origine utilizzando l’operazione [Retrieve](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_Retrieve.html) dell’API.
+ **Genera risposte** basate sui blocchi recuperati utilizzando l'operazione API. [RetrieveAndGenerate](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent-runtime_RetrieveAndGenerate.html)
+ **Provare le query** direttamente nella console Amazon Bedrock.

Le risposte vengono restituite con citazioni che rimandano ai dati di origine.

## Limitazioni
<a name="s3-vectors-bedrock-kb-limits"></a>

Quando usi S3 Vectors con Knowledge Base per Amazon Bedrock, è importante conoscere le seguenti limitazioni:
+ **Solo ricerca semantica**: S3 Vectors supporta la ricerca semantica, ma non le funzionalità di ricerca ibrida.
+ **Limiti delle dimensioni in S3 Vectors**: ogni vettore presenta sia un limite sulle dimensioni totali dei metadati sia un limite sulle dimensioni dei metadati filtrabili. Ciò potrebbe ridurre la quantità di metadati personalizzati e le opzioni di filtraggio disponibili. Quando usi S3 Vectors come archivio vettoriale con Amazon Bedrock Knowledge Bases, puoi allegare fino a 1 KB di metadati personalizzati e 35 chiavi di metadati per vettore.
+ **Vincoli della strategia di suddivisione in blocchi**: quando utilizzi un numero di token molto elevato con suddivisione in blocchi gerarchici nelle Knowledge Base di Amazon Bedrock, puoi superare i limiti massimi di dimensione dei metadati poiché le relazioni tra blocchi padre-figlio e il contesto gerarchico vengono archiviati come metadati non filtrabili in S3 Vectors. Per ulteriori informazioni sui limiti di [Limitazioni e restrizioni](s3-vectors-limitations.md) dimensione dei metadati per vettore, consulta.
+ **Solo vettori a virgola mobile**: gli embedding vettoriali binari non sono supportati.

Per una guida completa su come lavorare con Knowledge Base per Amazon Bedrock, consulta [Recupero dei dati e generazione di risposte basate su IA con Knowledge Base per Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) nella *Guida per l’utente di Amazon Bedrock*.