Как создать векторную базу данных? | Практическая демонстрация AWS для генеративного ИИ

Можно ли на самом деле создать векторную базу данных на AWS? В этой практической демонстрации мы перейдем от простой задачи поиска изображений «кот против котенка» к полностью работающему 1024-мерному векторному индексу на AWS — и будем искать в нем реальные вопросы. Это концепция проектирования системы, лежащая в основе RAG, векторного поиска и каждого современного агента ИИ. Если вы готовитесь к собеседованию на должность инженера-программиста в крупной технологической компании, вам нужно уметь объяснить это на практике, а не просто по памяти. Для создания этой демонстрации мы использовали AWS Titan Embedding, AWS S3 Vector и Python. ⏱️ Разделы: 00:00 Можно ли создать векторную базу данных? 00:21 Кот против котенка: почему точный поиск не срабатывает 01:20 Как векторный поиск находит похожие изображения 01:50 Что хранит векторный индекс 02:42 Демонстрация текстового поиска AWS: от изображений к изображениям 03:49 Создание корзины векторов S3 05:17 Создание 1024-мерного векторного индекса 06:08 Создание файла load_articles.py в CloudShell 09:12 Загрузка статей в векторы S3 09:47 Создание файла search.py 11:22 Тестовые вопросы и результаты поиска 13:03 Что мы узнали Свяжитесь со мной Нашли это полезным? Давайте свяжемся в LinkedIn — там я делюсь дополнительной информацией о подготовке к собеседованию AWS Gen AI, разбором системных проектов и практическими примерами. Мне было бы интересно узнать, как вы готовитесь. 👉   / siddhartha-chakraborty   #VectorDatabase #AWS #RAG #GenAI