0821_LT_S3Vectorsとは？

＼先月プレビュー開始のAWS新機能／ Amazon S3 Vectorsとは？ 株式会社セゾンテクノロジー 青木 菜摘

自己紹介 株式会社セゾンテクノロジー 営業本部 テクノベーションセンター 青木菜摘 2025 Japan AWS Jr. Champion 経歴 2024年4月 セゾンテクノロジー新卒入社 2024年7月 DI本部 DIプラットフォーム部配属 2025年7月 営業本部 テクノベーションセンター配属 業務内容： 自社製品開発 趣味： ・ 旅行 ・ バンド ・ Youtube

もくじ 1. Amazon S3 Vectorsとは？ 2. Amazon S3 Vectorsを使うメリット 3. Amazon S3 Vectorsとナレッジベースを 連携してみよう

もくじ 1. Amazon S3 Vectorsとは？ 2. Amazon S3 Vectorsを使うメリット 3. Amazon S3 Vectorsとナレッジベースを 連携してみよう

「S3 Vectors」 とは？ S3 Vectorsは、2025年7月にプレビューとして発表された新機能！ S3に保存されたコンテンツのベクトルデータセットを保存・検索する「ベクトルストレージ」 を提供

「S3 Vectors」 とは？ AIが非構造化データを検索する方法は大きく分けて2つ ベクトル(単語)同士の類似度を 計算し、関連性の高い情報を検索 ①全文検索 ②ベクトル検索 検索ワード：生年月日 検索内容：生年月日 ドキュメント ドキュメント 青木菜摘さんの出身地は三重県で、生年月日は 2003年5月24日です。星座はふたご座です。 青木菜摘さんの出身地は三重県で、星座はふたご座 です。 2024年にセゾンテクノロジーに入社した2年目の 社員です。 2024年に21の年でセゾンテクノロジーに入社しました。 生年月日は2003年5月21日~6月21日の間

「S3 Vectors」 とは？ ベクトル(単語)同士の類似度を 計算し、関連性の高い情報を検索 AIが非構造化データを検索する方法は大きく分けて2つ S3 Vectorsが提供する検索方法↓ ①全文検索 ②ベクトル検索 検索ワード：生年月日 検索内容：生年月日 ドキュメント ドキュメント 青木菜摘さんの出身地は三重県で、生年月日は 2003年5月24日です。星座はふたご座です。 青木菜摘さんの出身地は三重県で、星座はふたご座 です。 2024年にセゾンテクノロジーに入社した2年目の 社員です。 2024年に21の年でセゾンテクノロジーに入社しました。 生年月日は2003年5月21日~6月21日の間

「S3 Vectors」 とは？ S3 Vectorsの一般的な処理の流れ モデル 検索結果 画像やテキストデータ ユーザ ベクトル化したデータ 埋め込みモデル 返答生成 ベクトル検索 問い合わせ 検索結果 返答 S3 Vectors アプリケーション ユーザ

「S3 Vectors」 とは？ S3 Vectorsのアーキテクチャ ベクトル ベクトル ベクトルインデックス ベクトル ベクトル ベクトルインデックス ベクトルバケット • S3バケットとは別に「ベクトルバケット」という専用のバケットタイプが 登場 • 「ベクトルインデックス」というベクトルデータを効率的に検索するため に使用される特殊なデータ構造にベクトルを登録する • ベクトルバケット1つあたり10000個のベクトルインデックスを作成 でき、ベクトルインデックス1つあたり数千個のベクトルを登録できる

もくじ 1. Amazon S3 Vectorsとは？ 2. Amazon S3 Vectorsを使うメリット 3. Amazon S3 Vectorsとナレッジベースを 連携してみよう

Amazon Bedrock ナレッジベースでは、手軽に使えるベクトルストレージとして 「OpenSearch Serverless」を選ぶことも多い モデル 検索結果 画像やテキストデータ ユーザ ベクトル化したデータ 埋め込みモデル OpenSearch Serverless 返答生成 ベクトル検索 問い合わせ 検索結果 返答 アプリケーション ユーザ

今後はOpenSearch Serverlessに代替してS3 Vectorsも選択可能 モデル 検索結果 画像やテキストデータ ユーザ ベクトル化したデータ 埋め込みモデル 返答生成 ベクトル検索 問い合わせ 検索結果 返答 S3 Vectors アプリケーション ユーザ

今後はOpenSearch Serverlessに代替してS3 Vectorsも選択可能 何が違うの？ モデル 検索結果 画像やテキストデータ ユーザ ベクトル化したデータ 埋め込みモデル 返答生成 ベクトル検索 問い合わせ 検索結果 返答 S3 Vectors アプリケーション ユーザ

Amazon S3 Vectorsを使うメリット S3 Vectorsのメリット • コスト面での圧倒的優位性 ベクトルのアップロード、保存、クエリにかかるコストを最大90%削減 ⇒OpenSearch Serverlessではインスタンス費用が必要であるのに対し、S3 Vectorsでは ストレージ費用のみが発生 • 大規模スケール 1バケットあたり10000個のインデックス、1インデックスあたり数千個のベクトルを登録可能 • AWSのAIサービスとの連携が容易 Amazon Bedrock Knowledge Bases、Amazon OpenSearchとの連携 Amazon Bedrock Knowledge Basesとはネイティブ統合されている • メタデータをベクトルデータと一緒に保存できる メタデータフィルタリングが容易に実装可能

Amazon S3 Vectorsを使うデメリット S3 Vectorsのデメリット • OpenSearch Serverlessに比べレイテンシーが大きくなる 「1秒未満のクエリ」 ⇒ 100ミリ秒以下等の高速な処理速度を要求する用途には不向き • 全文検索やハイブリッド検索は不可能 ベクトル検索機能のみの提供であるため精度や速度はOpenSearch Serverlessの方が優位

もくじ 1. Amazon S3 Vectorsとは？ 2. Amazon S3 Vectorsを使うメリット 3. Amazon S3 Vectorsとナレッジベース を連携してみよう

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 事前準備：使用する埋め込みモデルとモデルを有効化しておく Bedrockコンソール > モデルアクセス > モデルアクセスを管理から有効化可能

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ①Amazon Bedrockのコンソールからナレッジベースを作成

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ②ナレッジベースの名前やIAMロールの名前を入力(選択)し、データソースはS3を選択

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ③データソースの名前を入力し、データソースが入ったS3バケットを選択 ※S3 Vectorsのベクトルバケットはベクトル化したデータ専用のバケットであるため、オブジェクト(データソース)用の S3バケットは、これまでと変わらずベクトルバケットとは別に作成する必要があります

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ④埋め込みモデルを選択(事前準備で有効化したモデルを使う)

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ⑤ベクトルデータストアを作成(作成済みの場合は既存のベクトルデータストアを使用)を選択

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ⑥S3 Vectorsを選択 ネイティブ統合されている ⑤で新規作成を選んでいれば、自動で ベクトルバケットとベクトルインデックスが 作成され、ベクトル化されたデータが格納 される！

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ⑦確認してナレッジベースを作成

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ⑧ナレッジベースが作成できたら、データソースを同期する

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ⑨「ナレッジベースをテスト」からテスト画面に遷移し、モデルを選択

Amazon S3 VectorsとAmazon Bedrock Knowledge Basesの連携 ⑩データソースに関連する質問をしてみる データソースにある情報が返ってくればOK！ ちゃんとベクトル検索されて正しい結果が返っている

まとめ お試しでの使用 もしくは 高精度・高速の処理が必要なければ、 低コストで使用開始が可能なS3 Vectorsを使うのが主流に？ S3 Vectorsを使えば簡単なRAG構築のスモールスタートが可能！

ありがとうございました