As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Escolhendo um banco de dados AWS vetoriais para casos de uso do RAG
<a name="introduction"></a>

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

Os bancos de dados vetoriais estão se tornando cada vez mais importantes para organizações que implementam aplicativos generativos de IA. Esses bancos de dados armazenam e gerenciam vetores, que são representações numéricas de dados que permitem o processamento de texto, imagens e outros conteúdos de forma a capturar seu significado e seus relacionamentos. 

À medida que as organizações exploram as opções de banco de dados vetoriais AWS, elas precisam entender os recursos, as vantagens e as melhores práticas de diferentes soluções. Este guia ajuda você a comparar lojas de vetores comumente usadas AWS e a tomar decisões informadas sobre quais opções melhor atendem às suas necessidades específicas ou ao seu [caso de uso](use-cases.md). Se você está implementando Retrieval Augmented Generation (RAG), criando sistemas de recomendação ou desenvolvendo outros aplicativos de IA, este guia fornece uma estrutura para ajudá-lo a avaliar e escolher uma solução de banco de dados vetorial.

## Público-alvo
<a name="audience"></a>

Este guia é destinado a pessoas nas seguintes funções:
+ Cientistas de dados e engenheiros de aprendizado de máquina (ML) que usam bancos de dados vetoriais para armazenar e recuperar dados de alta dimensão para modelos de aprendizado de máquina.
+ Engenheiros de dados que projetam e implementam pipelines de dados que incluem bancos de dados vetoriais para armazenar e processar dados de alta dimensão.
+ MLOps engenheiros que usam bancos de dados vetoriais como parte do pipeline de ML para armazenar e fornecer saídas de modelos ou representações intermediárias.
+ Engenheiros de software que integram bancos de dados vetoriais em aplicativos que exigem sistemas de recomendação ou pesquisa por similaridade.
+ DevOps engenheiros responsáveis pela implantação e manutenção de bancos de dados vetoriais em ambientes de produção, garantindo escalabilidade e confiabilidade.
+ Pesquisadores de IA que usam bancos de dados vetoriais para armazenar e analisar grandes conjuntos de dados de incorporações ou vetores de recursos.
+ Gerentes de produtos de IA que precisam entender os recursos e as limitações dos bancos de dados vetoriais para tomar decisões informadas sobre os recursos e a arquitetura do produto.