Die Vektorsuche für Amazon DynamoDB steht jetzt allgemein zur Verfügung, eine separate Vektordatenbank ist nicht mehr nötig. DynamoDB ist AWS’ serverlose NoSQL-Datenbank; bei einer Vektorsuche übersetzt ein ML-Modell Inhalte wie Produktbeschreibungen oder Dokumente in Zahlenvektoren, sogenannte Embeddings. So kann eine Anfrage nicht nur identische, sondern auch inhaltlich ähnliche Einträge in einer Datenbank finden.

Nur noch eine Datenbank nötig

Bislang mussten Nutzer von Amazon DynamoDB für solche semantischen Suchen allerdings eine eigene Vektordatenbank betreiben. Beide mussten Anwender außerdem miteinander synchronisieren. Dieser zusätzliche Betriebsaufwand fällt jetzt weg, operative Daten und Embeddings liegen am selben Ort. Praktisch ist das primär für Anwendungen, deren Daten ohnehin bereits in der Amazon DynamoDB liegen – für reine KI- und Recherche-Workloads kann eine spezialisierte Vektordatenbank die bessere Wahl bleiben.

Um das umzusetzen, führt AWS einen neuen Vektorindex-Typ ein, der auf einem Attribut mit Embeddings angelegt wird. Embeddings speichert die DynamoDB als Liste von Float-Werten im bereits vorhandenen Datentyp List. Entsprechend müssen sich Anwender nicht mit einem neuen Datentyp auseinandersetzen und auch keinen umfassenden Schemaumbau vornehmen. Embeddings lassen sich mit einem beliebigen Modell erzeugen. Allerdings müssen Entwickler beachten, dass sie den Anfragevektor mit demselben Embedding-Modell erzeugen, das auch die zu durchsuchenden Inhalte in Vektoren übersetzt hat.