기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# RAG 사용 사례를 위한 AWS 벡터 데이터베이스 선택
<a name="introduction"></a>

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

벡터 데이터베이스는 생성형 AI 애플리케이션을 구현하는 조직에 점점 더 중요해지고 있습니다. 이러한 데이터베이스는 의미와 관계를 포착하는 방식으로 텍스트, 이미지 및 기타 콘텐츠를 처리할 수 있는 데이터의 수치 표현인 벡터를 저장하고 관리합니다.

조직이 벡터 데이터베이스 옵션을 탐색 AWS할 때 다양한 솔루션의 기능, 장단점 및 모범 사례를 이해해야 합니다. 이 가이드는에서 일반적으로 사용되는 벡터 스토어를 비교 AWS 하고 특정 요구 사항 또는 [사용 사례에](use-cases.md) 가장 적합한 옵션에 대해 정보에 입각한 결정을 내리는 데 도움이 됩니다. Retrieval Augmented Generation(RAG)을 구현하든, 추천 시스템을 구축하든, 다른 AI 애플리케이션을 개발하든,이 가이드에서는 벡터 데이터베이스 솔루션을 평가하고 선택하는 데 도움이 되는 프레임워크를 제공합니다.

## 수강 대상
<a name="audience"></a>

이 가이드는 다음 역할의 사용자를 대상으로 합니다.
+ 벡터 데이터베이스를 사용하여 기계 학습 모델의 고차원 데이터를 저장하고 검색하는 데이터 과학자 및 기계 학습(ML) 엔지니어.
+ 고차원 데이터를 저장하고 처리하기 위한 벡터 데이터베이스가 포함된 데이터 파이프라인을 설계하고 구현하는 데이터 엔지니어입니다.
+ ML 파이프라인의 일부로 벡터 데이터베이스를 사용하여 모델 출력 또는 중간 표현을 저장하고 제공하는 MLOps 엔지니어.
+ 유사성 검색 또는 권장 시스템이 필요한 애플리케이션에 벡터 데이터베이스를 통합하는 소프트웨어 엔지니어.
+ 프로덕션 환경에서 벡터 데이터베이스를 배포하고 유지 관리하여 확장성과 신뢰성을 보장하는 DevOps 엔지니어.
+ 벡터 데이터베이스를 사용하여 임베딩 또는 특성 벡터의 대규모 데이터 세트를 저장하고 분석하는 AI 연구원.
+ 제품 기능 및 아키텍처에 대해 정보에 입각한 결정을 내리기 위해 벡터 데이터베이스의 기능과 제한 사항을 이해해야 하는 AI 제품 관리자.