ভেক্টর স্টোর msOpensearch1695Postgresql1807Neptune2236S3 ভেক্টর স্টোর2284 অরোরা ক্যাপাসিটি ইউনিট (ACU) $ 0.12 প্রতি ACU প্রতি ঘন্টা ভেক্টর স্টোর টাইপ পুনরুদ্ধার সময়প্রতিমাসের দামS3 ভেক্টর2284 ms$3.54ন্যাপ্টুন2236 ms$345PostgreSQL1807 ms$86OpenSearch1695 ms$172 15 জুলাই থেকে, AWS Bedrock জ্ঞান বেসের জন্য S3 ভেক্টর স্টোরের জন্য সমর্থন যোগ করেছে। AWS managed: Others: OpenSearch MongoDB Atlas S3 vector store Pinecone PostgreSQL Redis Enterprise Cloud Neptune AWS managed: Others: OpenSearch MongoDB Atlas S3 vector store Pinecone PostgreSQL Redis Enterprise Cloud Neptune AWS পরিচালনা: অন্যান্য : প্রত্যেকটি কি? AWS পরিচালিত: খোলাখুলি : একটি বিতরণ, সম্প্রদায়ের দ্বারা পরিচালিত, Apache 2.0 লাইসেন্স, 100% ওপেন সোর্স অনুসন্ধান এবং বিশ্লেষণ Suite বাস্তব সময়ের অ্যাপ্লিকেশন মনিটরিং, লগ অ্যানালিটিক্স, এবং ওয়েবসাইট অনুসন্ধান মত ব্যাপক ব্যবহারের ক্ষেত্রে ব্যবহার করা হয়. OpenSearch একটি ইন্টিগ্রেটেড দৃশ্যমানতা টুল, OpenSearch ড্যাশবোর্ড, যা ব্যবহারকারীদের তাদের ডেটা অনুসন্ধান করা সহজ করে তোলে. OpenSearch Apache Lucene অনুসন্ধান লাইব্রেরি দ্বারা চালিত হয়, এবং এটি একটি সংখ্যক অনুসন্ধান এবং বিশ্লেষণ ক্ষমতাগুলি সমর্থন করে যেমন k-পরিবর্তনীয় প্রতিবেশী (KNN) অনুসন্ধান খোলা খোলা S3 ভেক্টর দোকান Amazon S3 Vectors is the first cloud object store with native support to store and query vectors, delivering purpose-built, cost-optimized vector storage for AI agents, AI inference, and semantic search of your content stored in Amazon S3. By reducing the cost of uploading, storing, and querying vectors by up to 90%, S3 Vectors makes it cost-effective to create and use large vector datasets to improve the memory and context of AI agents as well as semantic search results of your S3 data. Amazon S3 ভেক্টরস হল অ্যামাজন S3 এ সংরক্ষিত আপনার সামগ্রীর জন্য উদ্দেশ্যমূলক, খরচ অপ্টিমাইজড ভেক্টর স্টোরেজ সরবরাহ করে, যা ভেক্টরগুলি স্টোরেজ এবং অনুরোধের জন্য ন্যাশনাল সমর্থনের সাথে প্রথম ক্লাউড অ্যাক্সেস স্টোরেজ। S3 ভেক্টরস আপলোড, স্টোরেজ এবং প্রশ্নিং ভেক্টরগুলির খরচ 90% পর্যন্ত হ্রাস করে, S3 ভেক্টরগুলি আপনার S3 ডেটাগুলির মেমরি এবং কন্টেক্টমেন্টগুলি উন্নত করার জন্য বড় ভেক্টর ডেটা সেটগুলি তৈরি এবং ব্যবহার করতে ব্যয়বহুল করে। AWS অরোরা PostgreSQL: Amazon Aurora PostgreSQL is a cloud-based, fully managed relational database service that is compatible with PostgreSQL. It combines the performance and availability of high-end commercial databases with the simplicity and cost-effectiveness of open-source databases, specifically PostgreSQL. Essentially, it's a PostgreSQL-compatible database offered as a service by Amazon Web Services অ্যামাজন অরোরা PostgreSQL একটি ক্লাউড-ভিত্তিক, সম্পূর্ণরূপে পরিচালিত সম্পর্কিত ডাটাবেস পরিষেবা যা PostgreSQL-র সাথে সামঞ্জস্যপূর্ণ। এটি উচ্চমানের বাণিজ্যিক ডাটাবেসের কর্মক্ষমতা এবং উপলব্ধতাকে খোলা সূত্রের ডাটাবেসের সহজতা এবং খরচ কার্যকরীতার সাথে মিলিত করে, বিশেষ করে PostgreSQL। অ্যামাজন নেপুটুন: Amazon Neptune is a fast, reliable, fully managed graph database service that makes it easy to build and run applications that work with highly connected datasets Amazon Neptune একটি দ্রুত, নির্ভরযোগ্য, সম্পূর্ণরূপে পরিচালিত গ্রাফ ডাটাবেস পরিষেবা যা খুব সংযুক্ত ডেটা সেটগুলির সাথে কাজ করে অ্যাপ্লিকেশনগুলি তৈরি এবং চালান সহজ করে তোলে And non-AWS managed: MongoDB Atlas: MongoDB Atlas একই লোকের দ্বারা একটি মাল্টি-ক্লাউড ডাটাবেস পরিষেবা যা MongoDB তৈরি করে. Atlas আপনার ডাটাবেসগুলির বিতরণ এবং ব্যবস্থাপনাকে সহজ করে দেয় এবং আপনার পছন্দসই ক্লাউড প্রদানকারীদের উপর স্থিতিশীল এবং কর্মক্ষম গ্লোবাল অ্যাপ্লিকেশনগুলি তৈরি করার জন্য প্রয়োজনীয় বহুমুখীতা সরবরাহ করে। Pinecone: Pinecone একটি ক্লাউড ভেক্টর ডাটাবেস পরিষেবা যা AI অ্যাপ্লিকেশনগুলির জন্য ডিজাইন করা হয়েছে, বিশেষ করে যেগুলি পুনরুদ্ধার বৃদ্ধি জেনারেশন অন্তর্ভুক্ত করে Redis Enterprise Cloud: Redis এন্টারপ্রাইজ ক্লাউড একটি সম্পূর্ণরূপে পরিচালিত, অনুরোধ, ডাটাবেস-যেমন-এ-সার্ভিস (DBaaS) অফার যা Redis এর ওপেন সোর্সের ভিত্তিতে নির্মাণ করা হয়েছে। এখন, আমরা বুঝতে পারি যে সমর্থিত প্রতিটি স্টোর কি। Python lambda ফাংশন তৈরি করেছি। import json import time import boto3 def lambda_handler(event, context): """Demo: Bedrock Nova Micro with Knowledge Base timing comparison""" # Configuration - easily change these for testing MODEL_ID = "amazon.nova-micro-v1:0" # Allow override for comparison KNOWLEDGE_BASE_ID = event.get('kb_id') # Initialize clients bedrock_runtime = boto3.client('bedrock-runtime') bedrock_agent_runtime = boto3.client('bedrock-agent-runtime') query = event.get( 'query', 'Can you provide a list of bank holidays employers can have?') start_time = time.time() try: # 1. Retrieve from Knowledge Base kb_start = time.time() kb_response = bedrock_agent_runtime.retrieve( knowledgeBaseId=KNOWLEDGE_BASE_ID, retrievalQuery={'text': query}, retrievalConfiguration={ 'vectorSearchConfiguration': {'numberOfResults': 3}} ) kb_time = time.time() - kb_start # 2. Build context and prompt context = "\n".join([r['content']['text'] for r in kb_response.get('retrievalResults', [])]) prompt = f"Context: {context}\n\nQuestion: {query}\n\nAnswer:" # 3. Call Bedrock model model_start = time.time() response = bedrock_runtime.converse( modelId=MODEL_ID, messages=[{"role": "user", "content": [{"text": prompt}]}], inferenceConfig={"maxTokens": 500, "temperature": 0.7} ) model_time = time.time() - model_start total_time = time.time() - start_time answer = response['output']['message']['content'][0]['text'] return { 'statusCode': 200, 'body': json.dumps({ 'kb_id': KNOWLEDGE_BASE_ID, 'query': query, 'answer': answer, 'timing_ms': { 'kb_retrieval': round(kb_time * 1000), 'model_inference': round(model_time * 1000), 'total': round(total_time * 1000) }, 'chunks_found': len(kb_response.get('retrievalResults', [])) }) } except Exception as e: return { 'statusCode': 500, 'body': json.dumps({ 'error': str(e), 'kb_id': KNOWLEDGE_BASE_ID }) } এই উদাহরণে, আমরা কর্মক্ষমতা তুলনা করার জন্য amazon.nova-micro-v1:0 bedrock মডেল ব্যবহার করব। এই lambda ফাংশনটি ফর্ম্যাটে একটি টেস্ট ইভেন্ট আশা করে: { "query": "Can you provide a list of bank holidays employers can have?", "kb_id": "AAUAL8BHQV" } অনুসন্ধান - আমার টেক্সট উদাহরণ ফাইল থেকে আমাদের অনুসন্ধান. আপনি যে কোনও টেক্সট ফাইল ব্যবহার করতে পারেন যা আপনি চান. kb_id - জ্ঞান ভিত্তিক আইডি; আমরা পরীক্ষা করার জন্য একটি হেডকোড জ্ঞান ভিত্তিক তৈরি করব এবং আমি বিভিন্ন তথ্য উৎস ব্যবহার করে 4 বিভিন্ন জ্ঞান বেস তৈরি করেছি: এবং অবশেষে, আমাদের পরীক্ষা করার জন্য আমাদের প্রয়োজনীয় সবকিছু রয়েছে: আসুন Lambda ফাংশনটি চালু করি এবং শুধুমাত্র জ্ঞান বেস আইডিটি সঠিকভাবে পরীক্ষা করার জন্য পরিবর্তন করি। OpenSearch: Neptune: PostgreSQL: S3 Vector store: এবং একটি ভাল দৃশ্যমান জন্য, সম্পন্ন সময় দ্বারা সাজানো: ভেক্টর স্টোর msOpensearch1695Postgresql1807Neptune2236S3 ভেক্টর স্টোর2284 ভেক্টর দোকান MS এর সময়সূচী আপনি এখানে দেখতে পারেন, OpenSearch একটি দ্রুত স্টোরেজ সমাধান. কিন্তু খরচ সম্পর্কে কি? ওসমানের মতো বেতন দেবেন। OpenSearch OpenSearch Compute Unit (OCU) - Indexing $0.24 per OCU per hour OpenSearch Compute Unit (OCU) - Search and Query $0.24 per OCU per hour OpenSearch Compute Unit (OCU) - Indexing $0.24 per OCU per hour OpenSearch Compute Unit (OCU) - Search and Query $0.24 per OCU per hour ন্যূনতম OCU আপনি পরিশোধ করতে পারেন 0.5। এটি মানে $ 0.24 * 24 ঘন্টা * 30 দিন * 2 (ইনডেক্সিং, অনুসন্ধান, এবং অনুরোধ) * 0.5 (নিম্ন OCU) = $ 172. : PostgreSQL - pay per ACU অরোরা ক্যাপাসিটি ইউনিট (ACU) $ 0.12 প্রতি ACU প্রতি ঘন্টা ন্যূনতম ACU আপনি পরিশোধ করতে পারেন 0. কিন্তু 1 ACU আপনি খরচ হবে $ 0.12 * 24 ঘন্টা * 30 দিন = $ 86 : Neptune Memory-optimized Neptune Capacity Units configuration Cost 16 m-NCUs $0.48 per hour 32 m-NCUs $0.96 per hour 64 m-NCUs $1.92 per hour 128 m-NCUs $3.84 per hour 256 m-NCUs $7.68 per hour 384 m-NCUs $11.52 per hour Memory-optimized Neptune Capacity Units configuration Cost 16 m-NCUs $0.48 per hour 32 m-NCUs $0.96 per hour 64 m-NCUs $1.92 per hour 128 m-NCUs $3.84 per hour 256 m-NCUs $7.68 per hour 384 m-NCUs $11.52 per hour ন্যূনতম উদাহরণ $ 0.48 প্রতি ঘন্টা. এটি প্রতি মাসে এটি আপনাকে খরচ হবে $ 0.48 * 24 ঘন্টা * 30 দিন = $ 345. Wow! S3 vector store, here - you will need to pay for requests and storage. S3 ভেক্টর স্টোরেজ /মাস - ভেক্টর ডেটা, কী এবং মেটাডেটা মাসিক লজিক্যাল স্টোরেজ = $0.06 per GB S3 Vectors request pricing PUT অনুরোধ (বিজিবি প্রতি) * GET, LIST এবং অন্যান্য সমস্ত অনুরোধ (প্রতি 1,000 অনুরোধ) S3 ভেক্টরস জিবি প্রতি $0.20 $0.055 অনুরোধ *PUT প্রতিটি PUT এর জন্য 128KB এর ন্যূনতম চার্জের অধীনে। S3 ভেক্টর চাহিদা মূল্য S3 ভেক্টর জিজ্ঞাসা অনুরোধ (প্রতি 1,000 অনুরোধ) $0.0025 S3 ভেক্টর ডেটা - প্রতি ইন্ডেক্সে ভেক্টরগুলির সংখ্যা, গড় ভেক্টর আকার (ভেক্টর ডেটা, কী এবং ফিল্টারযোগ্য মেটাডেটা) দ্বারা সংখ্যা প্রথম 100 হাজার ভেক্টর $ 0.0040 প্রতি টিবি 100 হাজারেরও বেশি ভেক্টর $ 0.0020 প্রতি টিবি এলডিআর : S3 Vectors storage charge ((4 বাইট * 1024 মাত্রা) ভেক্টর ডেটা / ভেক্টর + 1 KB ফিল্টারযোগ্য মেটাডেটা / ভেক্টর + 1 KB অ-ফিল্টারযোগ্য মেটাডেটা / ভেক্টর + 0.17 KB কী / ভেক্টর) = 6.17 KB গড় ভেক্টর প্রতি লজিক্যাল স্টোরেজ। 6.17 কেবি / গড় ভেক্টর * 250,000 ভেক্টর * 40 ভেক্টর ইন্ডেক্স = 59 জিবি লজিক্যাল স্টোরেজ। মোট মাসিক স্টোরেজ খরচ = 59 জিবি * $0.06 / জিবি প্রতি মাসে = $3.54 Final comparison table: ভেক্টর স্টোর টাইপ পুনরুদ্ধার সময়প্রতিমাসের দামS3 ভেক্টর2284 ms$3.54ন্যাপ্টুন2236 ms$345PostgreSQL1807 ms$86OpenSearch1695 ms$172 ভেক্টর স্টোর টাইপ পুনরুদ্ধারের সময় প্রতি মাসে প্রায় দাম যদি গতি এত গুরুত্বপূর্ণ না হয়, আমি S3 ভেক্টর স্টোর বেছে নেব. অন্যথায়, স্পষ্ট বিজয়ী OpenSearch, যা সম্ভবত একটি ভাল পছন্দ হবে। আপনার প্রকল্পে আপনি কোন ভেক্টর স্টোর ব্যবহার করছেন?
