Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Ottimizzazione automatica Auto-optimize è un servizio che automatizza le ottimizzazioni degli indici vettoriali, consentendo agli utenti di bilanciare qualità, velocità e costi della ricerca senza richiedere settimane di ottimizzazione manuale da parte di esperti. Valuta le configurazioni degli indici in base ai requisiti di latenza e richiamo definiti dall'utente e genera consigli di ottimizzazione, quindi è richiesta una competenza minima. I consigli vengono in genere forniti entro 30-60 minuti. La configurazione tradizionale degli indici vettoriali richiede competenze e sperimentazioni significative per ottenere prestazioni ottimali. Parametri come `ef_construction` (che controlla la qualità di costruzione dell'indice), `m` (che determina il numero di connessioni grafiche), `ef_search` (che controlla la ricerca HNSW) e metodi di quantizzazione (quantizzazione binaria (32x, 16x, 8x), quantizzazione scalare (4x)) influiscono in modo significativo sia sulla precisione della ricerca che sull'utilizzo delle risorse. L'ottimizzazione automatica utilizza algoritmi di ottimizzazione degli iperparametri per scoprire configurazioni di indici che sono unicamente ottimali per il set di dati entro i requisiti di latenza e richiamo definiti. ## Vantaggi L'ottimizzazione automatica per offre i seguenti vantaggi: OpenSearch + **Regolazione automatica dei parametri**: elimina la sperimentazione manuale con algoritmi (HNSW), quantizzazione, rescoring e parametri del motore, risparmiando tempo e riducendo la curva di apprendimento per l'ottimizzazione della ricerca vettoriale. + **Ottimizza la velocità di ricerca: per impostazione predefinita**, è configurato per le prestazioni in memoria. OpenSearch L'ottimizzazione automatica rileva compromessi favorevoli che migliorano la qualità della ricerca e consentono di risparmiare sui costi, mantenendo al contempo una velocità di ricerca accettabile. + **Ottimizzazione dei costi**: riduce i costi trovando opzioni per ridurre i requisiti di memoria dell'indice, riducendo al minimo i compromessi in termini di qualità della ricerca e velocità. + **Ottimizza la qualità della ricerca**: offri potenzialmente un numero di richiami più elevato rispetto alle impostazioni predefinite o scopri compromessi vantaggiosi che offrono risparmi significativi sui costi con una perdita minima di richiami. L'ottimizzazione automatica funziona insieme ad altre OpenSearch funzionalità, ad esempio [Accelerazione GPU per l'indicizzazione vettoriale](gpu-acceleration-vector-index.md) per fornire un'ottimizzazione completa delle prestazioni per i carichi di lavoro di ricerca vettoriale. ## Come funziona L'ottimizzazione automatica funziona attraverso un'architettura basata sul lavoro che analizza i dati vettoriali e fornisce consigli di ottimizzazione. Punti chiave: + Gli utenti condividono i propri set di dati in formato Parquet o JSONL in un bucket Amazon S3. + Configurano i processi di ottimizzazione automatica senza server configurando le soglie di richiamo e latenza accettabili. Soglie più rilassate consentono al servizio di scoprire ottimizzazioni dei costi più significative. + Ottimizza automaticamente i lavori eseguiti su un'infrastruttura completamente gestita da Amazon Service. OpenSearch I lavori non consumano risorse sul tuo dominio o sulle tue raccolte. I lavoratori eseguono in parallelo per valutare le configurazioni degli indici e utilizzano il campionamento su set di dati di grandi dimensioni per fornire risultati in genere entro 30-60 minuti. + Ogni lavoro viene fatturato in base a una tariffa forfettaria prevedibile. Per informazioni sui prezzi, consulta la pagina [dei prezzi OpenSearch di Amazon Service](https://aws.amazon.com/opensearch-service/pricing/). ## Prerequisiti + **Formato e autorizzazioni del set** di dati: devi avere il set di dati disponibile come uno o più file Parquet o JSONL in una cartella bucket Amazon S3. Esempio: + Parquet: e `s3://dataset-bucket-us-east-1/dataset_folder/first_half.parquet` `s3://dataset-bucket-us-east-1/dataset_folder/second_half.parquet` + JSONL: `s3://dataset-bucket-us-east-1/dataset_folder/data.jsonl` Fornisci l'URI della cartella che la contiene (ad esempio,). `s3://dataset-bucket-us-east-1/dataset_folder/` La cartella deve contenere file di un unico formato: non mischiate file Parquet e JSONL nella stessa cartella. Questo set di dati verrà utilizzato per generare i consigli. Assicurati che il tuo ruolo federato disponga delle seguenti autorizzazioni Amazon S3 su quella risorsa:. `"s3:Get*", "s3:List*", "s3:Describe*"` + **Specificare i metadati corretti del set** di dati: il set di dati fornito deve contenere righe di valori float. Il nome di ogni colonna e la dimensionalità di ogni vettore devono corrispondere alle opzioni fornite nella console. Ad esempio, se il set di dati contiene vettori denominati `train_data` che rappresentano ciascuna `768` dimensione, questi valori devono corrispondere alla console di ottimizzazione automatica. + **(Se si utilizza la funzionalità di inserimento vettoriale)**: se si prevede di utilizzare la funzionalità di inserimento (seguendo i consigli di ottimizzazione automatica per creare automaticamente dati di indice e inserimento), è necessario configurare il cluster per concedere l'autorizzazione all'ottimizzazione automatica per importare il set di dati nel OpenSearch cluster. OpenSearch Per i OpenSearch domini con una politica di accesso al dominio, concedi l'accesso al ruolo appena creato tramite tale politica. Per i OpenSearch domini con controllo granulare degli accessi, aggiungi il ruolo pipeline come ruolo di backend. Per le raccolte OpenSearch serverless, aggiungi il ruolo pipeline alla politica di accesso ai dati. + **Autorizzazioni IAM**: sono necessarie le seguenti autorizzazioni IAM per utilizzare l'ottimizzazione automatica: + `opensearch:SubmitAutoOptimizeJob` + `opensearch:GetAutoOptimizeJob` + `opensearch:DeleteAutoOptimizeJob` + `opensearch:CancelAutoOptimizeJob` + `opensearch:ListAutoOptimizeJobs` **Nota** Si tratta di politiche basate sull'identità. L'ottimizzazione automatica non supporta politiche basate sulle risorse. + **Scadenza delle credenziali: configura la sessione utente federata in modo che abbia una scadenza** minima delle credenziali di almeno 1 ora. Per set di dati molto grandi o di dimensioni elevate, valuta la possibilità di aumentare la durata di scadenza fino a 3 ore. ## Casi d'uso per l'ottimizzazione automatica L'ottimizzazione automatica è particolarmente utile nei seguenti scenari: **Ottimizzazione della configurazione iniziale** Quando si implementano per la prima volta applicazioni di ricerca vettoriale, la determinazione dei parametri HNSW ottimali richiede spesso test approfonditi e competenze di settore. L'ottimizzazione automatica elimina questo trial-and-error processo analizzando i dati e le caratteristiche del carico di lavoro per consigliare configurazioni pronte per la produzione. Questo caso d'uso è ideale per i team alle prime armi con la ricerca vettoriale o per coloro che migrano da altre piattaforme di database vettoriali e che devono stabilire rapidamente configurazioni di base. **Ottimizzazione della scalabilità** Man mano che il set di dati vettoriali passa da migliaia a milioni di vettori, i parametri che inizialmente funzionavano bene potrebbero diventare non ottimali. L'ottimizzazione automatica consiglia le regolazioni per mantenere le prestazioni su larga scala. **Riduzione dei costi** Gli indici vettoriali possono consumare notevoli risorse di calcolo e archiviazione, in particolare con incorporamenti ad alta dimensione. L'ottimizzazione automatica identifica le opportunità di riduzione dei costi trovando configurazioni di parametri più efficienti che mantengano i livelli di prestazioni richiesti utilizzando meno risorse. Ad esempio, l'ottimizzazione automatica potrebbe scoprire che il `m` valore corrente (connessione al grafico) è superiore a quello necessario per i requisiti di precisione, consentendoti di ridurre il tempo di indicizzazione e lo spazio di archiviazione senza influire sulla qualità della ricerca. **Risoluzione dei problemi relativi alle prestazioni** In caso di prestazioni di query lente o latenza elevata nelle operazioni di ricerca vettoriale, l'ottimizzazione automatica può analizzare il set di dati e identificare una configurazione più ottimale. Il servizio fornisce raccomandazioni specifiche per risolvere i problemi di prestazioni, come la regolazione della connettività dei grafici o dei parametri di ricerca. ## Limitazioni + **Disponibilità regionale**: l'ottimizzazione automatica è disponibile solo nelle seguenti regioni: AWS + ap-south-1 + eu-west-1 + us-west-2 + us-east-2 + us-east-1 + eu-central-1 + ap-southeast-2 + ap-northeast-1 + ap-southeast-1 + **Tipi di raccolta**: l'ottimizzazione automatica è supportata solo per le raccolte e i OpenSearch domini di ricerca vettoriale (2.19, 3.1 e 3.3). + **Supporto per i motori** **Supporto del motore per tipo di implementazione** [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/opensearch-service/latest/developerguide/serverless-auto-optimize.html) + **Supporto per algoritmi: l'**ottimizzazione automatica supporta solo indici vettoriali basati su HNSW. + **Lavori simultanei: puoi eseguire fino a 10 lavori** di ottimizzazione simultanei per account per regione. Nessun nuovo lavoro può essere accettato se viene raggiunto il limite. + **Durata del lavoro**: i processi di ottimizzazione possono richiedere da 15 minuti a diverse ore a seconda della dimensione del set di dati, della dimensione e delle metriche prestazionali richieste. + **Consigli**: l'ottimizzazione automatica suggerisce solo fino a 3 consigli. + **Set di dati** + Formati supportati: Parquet, JSONL + Archivio dati: Amazon S3 ## Fatturazione e costi L'ottimizzazione automatica utilizza un modello di prezzo per processo in cui si paga per ogni lavoro di ottimizzazione riuscito indipendentemente dalle dimensioni del set di dati e dalle configurazioni di ottimizzazione. Non ti verrà addebitato alcun costo per i lavori non riusciti o annullati. Inoltre, l'ottimizzazione automatica viene eseguita su un'infrastruttura separata rispetto ai OpenSearch cluster gestiti o senza server, quindi non influisce sull'utilizzo delle risorse dei cluster preesistenti. **Modello tariffario** I costi di ottimizzazione automatica vengono fatturati separatamente dai costi standard di elaborazione e storage dei domini OpenSearch serverless o gestiti. OpenSearch Per informazioni sui prezzi, consulta la pagina [dei prezzi OpenSearch di Amazon Service](https://aws.amazon.com/opensearch-service/pricing/). ## Formati di dati supportati L'ottimizzazione automatica supporta i seguenti formati di dati per i set di dati vettoriali archiviati in Amazon S3: ### Formato Parquet Parquet è un formato di archiviazione colonnare ottimizzato per carichi di lavoro analitici. Ogni file Parquet deve contenere una colonna di array float che rappresentano i dati vettoriali. Esempio di struttura del file Parquet (vista come tabella): ``` | id | train_data | |-----|--------------------------------| | 1 | [0.12, 0.45, 0.78, ..., 0.33] | | 2 | [0.56, 0.89, 0.12, ..., 0.67] | | 3 | [0.34, 0.67, 0.90, ..., 0.11] | ``` ### Formato JSONL JSONL (JSON Lines) è un formato di testo in cui ogni riga è un oggetto JSON valido. Ogni riga deve contenere un campo con una matrice float che rappresenta i dati vettoriali. File JSONL di esempio: ``` {"id": 1, "train_data": [0.12, 0.45, 0.78, 0.33]} {"id": 2, "train_data": [0.56, 0.89, 0.12, 0.67]} {"id": 3, "train_data": [0.34, 0.67, 0.90, 0.11]} ``` ### Conversione tra formati Se i dati sono in un formato diverso, è possibile utilizzare i seguenti script Python per convertirli. **Converti JSON o JSONL in Parquet** ``` #!/usr/bin/env python3 import json import pyarrow as pa import pyarrow.parquet as pq from pathlib import Path from typing import Any, Dict, List def load_json_any(path: Path) -> List[Dict[str, Any]]: """ Load JSON that can be: - a list of objects - a single object - JSON Lines (one object per line) Returns list[dict]. """ text = path.read_text().strip() # Try full JSON file try: obj = json.loads(text) if isinstance(obj, list): return obj if isinstance(obj, dict): return [obj] except json.JSONDecodeError: pass # Fallback → JSON Lines records = [] for i, line in enumerate(text.splitlines(), start=1): line = line.strip() if not line: continue try: rec = json.loads(line) except json.JSONDecodeError as e: raise ValueError(f"Invalid JSON on line {i}: {e}") if not isinstance(rec, dict): raise ValueError(f"Line {i} must contain a JSON object") records.append(rec) return records def json_to_parquet(json_path: str, parquet_path: str, compression: str = "snappy"): """Convert ANY JSON to Parquet (schema inferred).""" records = load_json_any(Path(json_path)) table = pa.Table.from_pylist(records) pq.write_table(table, parquet_path, compression=compression) print(f"Wrote {len(records)} rows to {parquet_path}") if __name__ == "__main__": INPUT_JSON = "vectors.jsonl" OUTPUT_PARQUET = "vectors.parquet" json_to_parquet(INPUT_JSON, OUTPUT_PARQUET) ``` **Converti Parquet in JSONL** ``` #!/usr/bin/env python3 import json import pyarrow.parquet as pq def parquet_to_jsonl(parquet_path: str, jsonl_path: str): """Convert a Parquet file to JSONL format.""" table = pq.read_table(parquet_path) rows = table.to_pylist() with open(jsonl_path, "w") as f: for row in rows: f.write(json.dumps(row) + "\n") print(f"Wrote {len(rows)} rows to {jsonl_path}") if __name__ == "__main__": INPUT_PARQUET = "vectors.parquet" OUTPUT_JSONL = "vectors.jsonl" parquet_to_jsonl(INPUT_PARQUET, OUTPUT_JSONL) ``` # Utilizzo dell'ottimizzazione automatica nella console Puoi utilizzare la console di Amazon OpenSearch Service per creare lavori di inserimento vettoriale, monitorarne l'avanzamento, visualizzare consigli di ottimizzazione e creare indici basati su tali consigli. ## Prerequisiti Prima di poter utilizzare l'ottimizzazione automatica nella console, è necessario disporre di quanto segue: + Un AWS account attivo con accesso alla OpenSearch console. + Una raccolta OpenSearch Serverless esistente di Type *Vector Search* o un dominio gestito OpenSearch . + Autorizzazioni IAM per le seguenti azioni: + `opensearch:SubmitAutoOptimizeJob` + `opensearch:GetAutoOptimizeJob` + `opensearch:DeleteAutoOptimizeJob` + `opensearch:CancelAutoOptimizeJob` + `opensearch:ListAutoOptimizeJobs` **Nota** Si tratta di politiche basate sull'identità. AWS non supporta politiche basate sulle risorse per l'ottimizzazione automatica delle risorse. + Configura la tua sessione utente federata in modo che abbia una scadenza minima delle credenziali di almeno 1 ora. Per set di dati molto grandi o di dimensioni elevate, valuta la possibilità di aumentare la durata di scadenza fino a 3 ore. ## Creazione di un processo di inserimento vettoriale Un processo di inserimento vettoriale analizza i dati vettoriali e fornisce consigli di ottimizzazione per la configurazione degli indici. **Per creare un processo di ingestione vettoriale** 1. Accedi alla console di Amazon OpenSearch Service all'indirizzo [Console di gestione AWS](https://console.aws.amazon.com/aos/home). 1. Nel riquadro di navigazione, scegli **Auto-Optimize**. 1. Scegli **Crea un lavoro di ingestione vettoriale**. 1. In **Dettagli del lavoro**, inserisci un nome per il tuo lavoro di ingestione vettoriale. Questo nome consente di identificare il lavoro nella console. 1. In **Origine dati**, configura quanto segue: 1. Per l'URI di **Amazon S3, inserisci l'URI** Amazon S3 della cartella contenente i tuoi file di dati (Parquet o JSONL). L'URI deve puntare alla cartella che la contiene, non a singoli file. Ad esempio, se il file si trova in `s3://my-bucket/my-folder/file1.parquet` o`s3://my-bucket/my-folder/data.jsonl`, inserisci`s3://my-bucket/my-folder/`. **Nota** La cartella deve contenere file in un unico formato. Non mischiate file Parquet e JSONL nella stessa cartella. 1. Per **Regione**, seleziona la AWS regione in cui si trova il tuo bucket Amazon S3. La regione deve corrispondere alla posizione del bucket. 1. In **OpenSearch Dominio**, seleziona un dominio o una raccolta esistente oppure scegli **Crea nuovo** per crearne uno. **Nota** Puoi specificare un dominio OpenSearch gestito o una raccolta OpenSearch serverless serverless. 1. In **Autorizzazioni di origine dati**, specifica il ruolo IAM che dispone delle autorizzazioni per accedere al bucket OpenSearch e al dominio o alla raccolta Amazon S3. Il ruolo deve disporre delle autorizzazioni necessarie in base alla configurazione del dominio o della raccolta: + Per i OpenSearch domini con una politica di accesso al dominio, concedi l'accesso al ruolo tramite tale politica. + Per i OpenSearch domini con controllo granulare degli accessi, aggiungi il ruolo come ruolo di backend. + Per le raccolte OpenSearch serverless, aggiungi il ruolo alla politica di accesso ai dati. 1. Scegli **Next (Successivo)**. 1. In **Configura indice**, specifica quanto segue: 1. Per **Nome campo**, inserisci il nome del campo del set di dati che contiene i dati vettoriali. 1. Per **Tipo di spazio**, seleziona la metrica della distanza utilizzata per calcolare la distanza tra i vettori: + **l2 - Distanza** euclidea + **cosinesimil** - Somiglianza con il coseno + **innerproduct** - Prodotto interno 1. Per **Dimension**, inserisci il numero di valori in virgola mobile in ogni vettore. 1. In **Requisiti prestazionali**, configura quanto segue: 1. Per **Recall**, specificate la qualità di ricerca desiderata come valore decimale compreso tra 0 e 1. Valori di richiamo più elevati restituiscono risultati più pertinenti. Esempio: + 0,95 indica che in media vengono restituiti 19 dei 20 veri vettori di documento più vicini a un vettore di query + 0.9 indica 9 su 10 + 0,8 indica 8 su 10 1. Per i **requisiti di latenza della ricerca**, seleziona la tua tolleranza di latenza. I requisiti modesti consentono maggiori risparmi sui costi grazie a metodi di compressione che riducono i requisiti di memoria. 1. Scegli **Next (Successivo)**. 1. Controlla la configurazione e scegli **Crea**. Il lavoro inizia l'elaborazione. È possibile monitorarne l'avanzamento nella tabella **Vector Ingestion** Jobs. ## Monitoraggio dei lavori di ottimizzazione Puoi monitorare lo stato dei tuoi lavori di inserimento vettoriale dalla pagina di destinazione con ottimizzazione automatica. **Per monitorare i lavori di ottimizzazione** 1. Accedi alla console di Amazon OpenSearch Service da [https://console.aws.amazon.com/aos/casa](https://console.aws.amazon.com/aos/home). 1. Nel riquadro di navigazione, scegli **Ottimizzazione automatica**. 1. La tabella **Vector Ingestion Jobs mostra tutti i lavori** con il loro stato corrente. Aggiorna la pagina per visualizzare informazioni sullo stato aggiornate. **Nota** Non esiste un meccanismo di aggiornamento o notifica automatico. È necessario aggiornare manualmente la console per vedere quando un processo viene completato. ### Comprendere gli stati dello stato del lavoro I lavori di ottimizzazione automatica possono avere i seguenti valori di stato: Pending (In attesa) Il lavoro è in coda e in attesa di avvio. In esecuzione Il processo di ottimizzazione automatica consiste nell'analisi attiva dei dati e nella generazione di consigli. Completato Il processo di ottimizzazione automatica è stato completato correttamente. Tutte le analisi, le valutazioni e i consigli sono completi e disponibili per la visualizzazione. Non riuscito Il processo ha riscontrato un errore. Visualizza i dettagli dell'errore nella pagina dei dettagli del lavoro per determinarne la causa. Attivo È stato creato un indice nel cluster allegato e i dati sono stati inseriti. La durata del job dipende principalmente dalla dimensione del set di dati e dal carico di servizio corrente. I lavori tipici vengono completati entro 15 minuti o diverse ore. ## Visualizzazione dettagli processo È possibile visualizzare informazioni dettagliate su uno specifico lavoro di ottimizzazione, inclusi la configurazione e lo stato. **Per visualizzare i dettagli del lavoro** 1. Accedi alla console di Amazon OpenSearch Service da [https://console.aws.amazon.com/aos/casa](https://console.aws.amazon.com/aos/home). 1. Nel pannello di navigazione, scegli **Auto-Optimize**. 1. Nella tabella **Vector Ingestion Jobs, scegli il nome del lavoro**. 1. La pagina dei dettagli del lavoro mostra le seguenti informazioni: + Nome e stato del Job + Configurazione dell'origine dati (URI e regione Amazon S3) + OpenSearch dominio o raccolta + Configurazione dell'indice (nome del campo, tipo di spazio, dimensione) + Requisiti prestazionali (richiamo e latenza) + Messaggi di errore (se il processo non è riuscito) ## Visualizzazione e comprensione dei risultati Una volta completato correttamente un lavoro, è possibile visualizzare i consigli di ottimizzazione. **Per visualizzare i risultati dell'ottimizzazione** 1. Accedi alla console di Amazon OpenSearch Service da [https://console.aws.amazon.com/aos/casa](https://console.aws.amazon.com/aos/home). 1. Nel pannello di navigazione, scegli **Auto-Optimize**. 1. **Nella tabella **Vector Ingestion Jobs, scegli un lavoro** con lo stato Completato.** 1. La pagina dei risultati mostra le seguenti sezioni: + **Panoramica dei risultati**: mostra la qualità di richiamo stimata della ricerca rispetto al requisito richiesto e l'indice di memoria occupato rispetto alla configurazione più consigliata. + **Consigli**: elenca fino a tre consigli di ottimizzazione, ordinati in base alla raccomandazione principale, che corrisponde meglio alla configurazione in uso. Ogni raccomandazione include: + Parametri di configurazione dell'indice + Parametri di configurazione della ricerca + Metriche delle prestazioni previste + Stime dell'impronta di memoria **Nota** Sebbene i consigli siano ordinati in base alla migliore corrispondenza, puoi selezionare qualsiasi consiglio più adatto al tuo caso d'uso specifico. Ottimizza automaticamente i tentativi di trovare le corrispondenze più vicine ai criteri di richiamo scelti. ## Creazione di un indice basato sui consigli Dopo aver esaminato i consigli di ottimizzazione, è possibile creare manualmente un indice utilizzando la configurazione consigliata o creare automaticamente un indice con il consiglio selezionato. **Per creare un indice automaticamente** 1. Accedi alla console di Amazon OpenSearch Service da [https://console.aws.amazon.com/aos/casa](https://console.aws.amazon.com/aos/home). 1. Nel pannello di navigazione, scegli **Auto-Optimize**. 1. **Nella tabella **Vector Ingestion Jobs, scegli un lavoro** con lo stato Completato.** 1. Esamina i consigli e seleziona quello che desideri utilizzare. 1. Scegli **Build index**. 1. Il sistema crea automaticamente un indice nel cluster utilizzando il consiglio selezionato e acquisisce i dati vettoriali dal set di dati. **Per creare un indice manualmente** 1. Accedi alla console di Amazon OpenSearch Service da [https://console.aws.amazon.com/aos/casa](https://console.aws.amazon.com/aos/home). 1. Nel pannello di navigazione, scegli **Auto-Optimize**. 1. **Nella tabella **Vector Ingestion Jobs, scegli un lavoro** con lo stato Completato.** 1. Esamina i consigli e annota la configurazione dell'indice e i parametri di configurazione della ricerca per il consiglio scelto. 1. Utilizza l' OpenSearch API o la console per creare manualmente un indice con i parametri consigliati. ## Funzionalità correlate Auto-optimize collabora con altre funzionalità OpenSearch di Amazon Service per aiutarti a creare e ottimizzare applicazioni di ricerca vettoriale: + [Accelerazione GPU per l'indicizzazione vettoriale](gpu-acceleration-vector-index.md)- Accelera la creazione di indici vettoriali utilizzando l'accelerazione GPU per ridurre tempi e costi di indicizzazione. + [Ingestione vettoriale](serverless-vector-ingestion.md)- Inserisci e indicizza rapidamente dati vettoriali da Amazon S3 nel tuo dominio o nella tua raccolta.