Amazon MemoryDB 的向量搜索现已正式推出
内容提要
Amazon MemoryDB推出向量搜索功能，用于存储、编索引、检索和搜索向量，以开发实时机器学习和生成式人工智能应用程序。此功能简化应用程序架构，提供峰值性能，减少成本和提供数据见解所需的时间。可用于增强生成、语义缓存和实时异常检测等用例。
延伸解读
向量搜索如何简化生成式AI架构
MemoryDB的向量搜索允许在同一个数据库中存储应用程序数据和数百万个向量，无需单独维护向量数据库。这简化了生成式AI应用程序的架构，减少了数据同步的复杂性和运营负担。通过使用现有的MemoryDB API，开发者可以快速实现检索增强生成（RAG）、实时推荐等用例，同时享受内存性能和多可用区耐久性带来的低延迟与高可靠性。
语义缓存：降低成本与延迟的实用方案
语义缓存通过存储基础模型（FM）的先前结果及其向量表示，在遇到语义相似的查询时直接返回缓存答案，避免重复调用模型。MemoryDB的向量搜索支持低延迟耐用语义缓存，能够以更低成本更快响应新请求。这对于需要高频处理相似问题的生成式AI应用尤为有用，可显著提升用户体验并降低计算开销。
实时异常检测：从批量到流式的欺诈识别
传统欺诈检测依赖批量机器学习流程，存在延迟。利用MemoryDB向量搜索，可以将交易数据向量化并存储，当新交易流入时，通过主成分分析（PCA）生成向量并快速搜索相似历史欺诈交易。若高度相似，可在个位数毫秒内拒绝交易，从而实时降低欺诈风险。这种方法补充了基于规则的批量流程，提升了检测的时效性。
正式版新增功能与性能提升
正式版引入了VECTOR_RANGE命令，支持低延迟耐用语义缓存，优化成本与性能；SCORE功能可在向量搜索时更好地筛选相似度；共享内存机制避免向量重复存储，提升内存利用率。这些改进在高筛选速率下提升了性能，适合性能最密集的生成式AI应用。用户可在MemoryDB 7.1版本和单分片配置中启用向量搜索。
Q&A
Amazon MemoryDB 的向量搜索功能有什么主要用途？
向量搜索功能主要用于存储、编索引、检索和搜索向量，以支持实时机器学习和生成式人工智能应用程序。
如何在 Amazon MemoryDB 中启用向量搜索？
您可以在 MemoryDB 控制台中创建集群时选择启用向量搜索，确保使用 MemoryDB 版本 7.1 和单分片配置。
向量搜索如何提高生成式人工智能应用程序的性能？
向量搜索提供高性能和低延迟，简化应用程序架构，减少计算成本和响应时间。
Amazon MemoryDB 的向量搜索支持哪些用例？
支持的用例包括检索增强生成（RAG）、低延迟耐用语义缓存和实时异常检测。
如何使用 Amazon Titan 模型生成向量嵌入？
您可以使用 Amazon Titan 文本嵌入模型创建向量嵌入，并将其存储在 MemoryDB 中。
向量搜索在实时异常检测中如何应用？
向量搜索通过存储交易数据的向量表示，识别与已知欺诈交易相似的新交易，从而实现实时异常检测。
