Inilantad ng Amazon Web Services (AWS) ang Amazon S3 Vectors, isang purpose-built at matibay na vector storage solution na naglalayong baguhin ang paraan ng pag-iimbak at paggamit ng AI data ng mga organisasyon sa malakihang antas.
Inanunsyo noong Hulyo 15, 2025 sa AWS Summit sa New York, ang S3 Vectors ang kauna-unahang cloud object store na may native na suporta para sa pag-iimbak at pag-query ng vector embeddings. Maaaring bawasan ng serbisyo ang kabuuang gastos sa pag-upload, pag-iimbak, at pag-query ng vectors ng hanggang 90% kumpara sa tradisyonal na vector databases, habang pinananatili ang sub-second na bilis ng query.
Ang vector embeddings, na mga numerikal na representasyon ng unstructured data mula sa embedding models, ay naging mahalaga na para sa makabagong AI applications. Pinapagana nito ang semantic search at nagbibigay ng konteksto para sa malalaking language model. Gayunpaman, ang mga karaniwang vector storage solution ay kadalasang nangangailangan ng dedikadong compute resources na patuloy na tumatakbo, na nagpapataas ng gastos.
"Nang suriin namin ang mga workload ng aming mga customer, napansin naming karamihan sa mga vector index ay hindi nangangailangan ng provisioned compute, RAM, o SSD sa lahat ng oras," paliwanag ng AWS sa kanilang anunsyo. Halimbawa, ang isang tradisyonal na vector database na may sampung milyong vectors ay maaaring umabot ng higit $300 kada buwan sa isang dedicated instance, samantalang ang parehong dataset sa S3 Vectors ay aabot lamang ng humigit-kumulang $30 kada buwan para sa 250,000 queries.
Nagpapakilala ang S3 Vectors ng bagong uri ng bucket na may dedikadong APIs para sa vector operations, kaya't maaaring mag-imbak at mag-query ng vector data ang mga user nang hindi kailangang mag-provision ng sariling infrastructure. Bawat vector bucket ay maaaring maglaman ng hanggang 10,000 vector index, at bawat index ay kayang maglaman ng sampu-sampung milyong vectors. Awtomatikong ino-optimize ng serbisyo ang vector data para sa pinakamainam na price-performance ratio, kahit pa lumaki at magbago ang datasets.
Ang solusyon ay may likas na integrasyon sa Amazon Bedrock Knowledge Bases, Amazon SageMaker, at Amazon OpenSearch Service, kaya't napakahalaga nito para sa mga retrieval-augmented generation (RAG) applications. Maaaring magpatupad ang mga organisasyon ng tiered na estratehiya, kung saan iniimbak ang malalaking vector dataset sa S3 para sa tipid na gastos, habang inililipat ang madalas gamitin na vectors sa OpenSearch para sa mas mataas na performance kapag kinakailangan.
Sa kasalukuyan, available pa lamang ang S3 Vectors sa preview, at iniimbitahan ng AWS ang mga customer na subukan ito sa pamamagitan ng Amazon S3 console.