DynamoDB speichert Embeddings und führt semantische Suche direkt aus — ohne separate Vektordatenbank.
In Kürze
- Embeddings als Float-Listen im bestehenden List-Datentyp
- SearchVectors-API mit ANN, Filteroptionen und bis zu 4.096 Dimensionen
- Skalierbar, in allen AWS-Regionen verfügbar, Abrechnung über DynamoDB
Amazon hat Vektorsuche direkt in DynamoDB integriert
— das heißt: Wenn deine operativen Daten ohnehin in DynamoDB liegen, kannst du jetzt Embeddings und semantische Suche ohne separate Vektordatenbank betreiben. Das reduziert zusätzlichen Betriebsaufwand und die Notwendigkeit, Daten zwischen zwei Systemen zu synchronisieren. Für reine KI‑ oder Recherche‑Workloads bleibt eine spezialisierte Vektordatenbank allerdings weiterhin eine Option.
Was steckt dahinter?
Bei der Vektorsuche werden Texte, Produktbeschreibungen oder andere Inhalte von einem ML‑Modell in Zahlenreihen (Embeddings) übersetzt. Diese Vektoren repräsentieren die semantische Bedeutung der Inhalte, so dass du nicht nur exakte Übereinstimmungen, sondern inhaltlich ähnliche Einträge finden kannst. In DynamoDB werden diese Embeddings als Listen von Float‑Werten im existierenden List‑Datentyp abgelegt — du brauchst also keinen neuen Datentyp oder umfassende Schemaänderungen.
Wie du suchst
- Neuer Indextyp: Du legst einen speziellen Vektorindex auf dem Attribut mit den Embeddings an.
- API: Abfragen laufen über die neue SearchVectors‑API. Du übergibst einen Anfragevektor (dieser muss mit demselben Modell erzeugt sein wie die gespeicherten Embeddings), wählst die gewünschte Trefferanzahl (bis zu 100) und kannst optional Filter setzen. DynamoDB liefert die ähnlichsten Datensätze plus die zugehörigen Tabellendaten zurück.
- ANN‑Suche: Die Suche basiert auf Approximate Nearest Neighbor (ANN) — das liefert schnelle, praktische Treffer, ist aber nicht immer strikt mathematisch exakt.
Skalierung und Limits
AWS gibt an, dass die Vektorindizes horizontal mitwachsen und keine festen Speichergrenzen haben sollen. Embeddings können bis zu 4.096 Dimensionen lang sein (also Vektoren mit bis zu 4.096 Zahlen).
Distanzmaße — kurz erklärt
- Cosine: Vergleicht die Richtung von Vektoren; gut geeignet für semantische Textähnlichkeit.
- Euklidisch: Misst den geometrischen Abstand zwischen Vektoren.
- Dot Product: Berücksichtigt Richtung und Länge; wird oft bei Empfehlungsaufgaben verwendet.
Filter, Partitionierung und Durchsatz
Du kannst Inline‑Filterattribute im Vektorindex definieren (zum Beispiel Produktkategorie). Diese Filter erlauben nur exakte Vergleiche — Bereichs‑ oder Präfixabfragen sind nicht möglich. Bei sehr großen Datensätzen oder hohem Durchsatz empfiehlt sich zusätzlich ein Partition Key im Vektorindex, damit jede Suche auf einen einzelnen Partition‑Wert begrenzt wird und der Durchsatz besser verteilt wird.
Verfügbarkeit und Kosten
Die Vektorsuche ist in allen kommerziellen AWS‑Regionen verfügbar. Es gibt kein separates Zahlungsadd‑on; die Kosten laufen über die üblichen DynamoDB‑Preiskomponenten und hängen von deiner Nutzung ab.
Quellen
- Quelle: Amazon DynamoDB
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
