Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Vektoren
Anmerkung
Amazon S3 Vectors befindet sich in der Vorschauversion für Amazon Simple Storage Service und kann sich ändern.
Jeder Vektor besteht aus einem Schlüssel, der jeden Vektor in einem Vektorindex eindeutig identifiziert. Darüber hinaus können Sie jedem Vektor Metadaten (z. B. Jahr, Autor, Genre, Ort) als Schlüsselwertpaare zuordnen.
Zu den Operationen mit Vektordaten gehören das Einfügen, Auflisten, Abfragen und Löschen von Vektoren. Um neue Vektoreinbettungen Ihrer unstrukturierten Daten zu generieren, können Sie die InvokeModelAPI-Operation von Amazon Bedrock verwenden, um die Modell-ID des Einbettungsmodells anzugeben, das Sie verwenden möchten. Darüber hinaus bietet das Open-Source-CLI-Tool Amazon S3 Vectors Embed eine vereinfachte Möglichkeit, Einbettungen zu generieren und semantische Suchen von der Befehlszeile aus durchzuführen. Weitere Informationen zu diesem Open-Source-Tool, das sowohl die Generierung von Vektoreinbettungen mit Amazon Bedrock Foundation-Modellen als auch semantische Suchoperationen innerhalb Ihrer S3-Vektorindizes automatisiert, finden Sie unter. Vektoreinbettungen erstellen und semantische Suchen durchführen mit s3vectors-embed-cli
Vektor-Konzepte
Vektorschlüssel: Jeder Vektor wird durch einen eindeutigen Vektorschlüssel innerhalb des Index identifiziert. Vektorschlüssel können bis zu 1.024 Zeichen lang sein und müssen innerhalb des Vektorindex eindeutig sein. Schlüssel unterscheiden zwischen Groß- und Kleinschreibung und können beliebige UTF-8-Zeichen enthalten.
Vektordimension: Eine Dimension ist die Anzahl der Werte in einem Vektor. Größere Abmessungen erfordern mehr Speicherplatz. Alle Vektoren in einem Index müssen dieselbe Anzahl von Dimensionen haben, die bei der Erstellung des Indexes angegeben wird. Eine Dimension muss eine Ganzzahl zwischen 1 und 4096 sein.
Metadaten: Sie können Vektoren Metadaten als Schlüssel-Wert-Paare zuordnen, um zusätzlichen Kontext bereitzustellen und das Filtern bei Abfragen zu ermöglichen. Metadaten umfassen sowohl filterbare als auch nicht filterbare Metadatenschlüssel. Filterbare Metadaten werden für die Abfragefilterung verwendet. Nicht filterbare Metadatenschlüssel werden bei der Erstellung eines Vektorindexes angegeben und bieten zusätzlichen Kontext, können aber nicht zum Filtern verwendet werden. Metadaten unterstützen Zeichenketten-, Zahlen- und Boolesche Typen. Weitere Informationen zu filterbaren und nicht filterbaren Metadaten finden Sie unter. Filterung von Metadaten Weitere Informationen zu Metadatenbeschränkungen, einschließlich Größenbeschränkungen pro Vektor und maximaler Anzahl von Metadatenschlüsseln pro Vektor, finden Sie unter Einschränkungen und Einschränkungen.
Themen
