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.

# Scelta di un database AWS vettoriale per i casi d'uso RAG
<a name="introduction"></a>

*Mayuri Shinde, Anand Bukkapatnam Tirumala e Ivan Cui, Amazon Web Services ()AWS*

I database vettoriali stanno diventando sempre più importanti per le organizzazioni che implementano applicazioni di intelligenza artificiale generativa. Questi database archiviano e gestiscono i vettori, che sono rappresentazioni numeriche di dati che consentono l'elaborazione di testo, immagini e altri contenuti in modo da catturarne il significato e le relazioni. 

Quando le organizzazioni esplorano le opzioni relative ai database vettoriali AWS, devono comprendere le funzionalità, i compromessi e le migliori pratiche per le diverse soluzioni. [Questa guida ti aiuta a confrontare gli archivi vettoriali di uso comune AWS e a prendere decisioni informate su quali opzioni si adattano meglio alle tue esigenze o ai tuoi casi d'uso specifici.](use-cases.md) Che stiate implementando Retrieval Augmented Generation (RAG), creando sistemi di raccomandazione o sviluppando altre applicazioni di intelligenza artificiale, questa guida fornisce un framework per aiutarvi a valutare e scegliere una soluzione di database vettoriale.

## Destinatari principali
<a name="audience"></a>

Questa guida è destinata alle persone che ricoprono i seguenti ruoli:
+ Scienziati dei dati e ingegneri dell'apprendimento automatico (ML) che utilizzano database vettoriali per archiviare e recuperare dati ad alta dimensione per modelli di apprendimento automatico.
+ Ingegneri dei dati che progettano e implementano pipeline di dati che includono database vettoriali per l'archiviazione e l'elaborazione di dati ad alta dimensione.
+ MLOps ingegneri che utilizzano database vettoriali come parte della pipeline ML per archiviare e fornire output di modelli o rappresentazioni intermedie.
+ Ingegneri del software che integrano database vettoriali in applicazioni che richiedono sistemi di ricerca o raccomandazione per similarità.
+ DevOps ingegneri responsabili della distribuzione e della manutenzione dei database vettoriali negli ambienti di produzione, garantendo scalabilità e affidabilità.
+ Ricercatori di intelligenza artificiale che utilizzano database vettoriali per archiviare e analizzare grandi set di dati di incorporamenti o vettori di funzionalità.
+ Responsabili di prodotto di intelligenza artificiale che devono comprendere le funzionalità e i limiti dei database vettoriali per prendere decisioni informate sulle caratteristiche e sull'architettura del prodotto.