# AWS, Amazon S3 Vectors 프리뷰 공개

> Clean Markdown view of GeekNews topic #22091. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=22091](https://news.hada.io/topic?id=22091)
- GeekNews Markdown: [https://news.hada.io/topic/22091.md](https://news.hada.io/topic/22091.md)
- Type: news
- Author: [neo](https://news.hada.io/@neo)
- Published: 2025-07-21T10:04:02+09:00
- Updated: 2025-07-21T10:04:02+09:00
- Original source: [aws.amazon.com](https://aws.amazon.com/ko/blogs/aws/introducing-amazon-s3-vectors-first-cloud-storage-with-native-vector-support-at-scale/)
- Points: 11
- Comments: 0

## Summary

AWS가 **네이티브 벡터 지원**을 도입한 오브젝트 스토리지 기능을 공개하면서, AI 임베딩 등 **생성형 AI 워크로드**에 필수적인 대규모 벡터 데이터의 저장과 실시간 쿼리를 저비용·고성능으로 처리할 수 있게 했습니다. **벡터 버킷**과 **벡터 인덱스** 같은 새로운 구조를 기반으로, S3에 직접 벡터 데이터를 저장하고 메타데이터 기반 필터링과 조건 검색을 지원하며, 저장·업로드·쿼리 비용을 최대 **90%까지 절감**할 수 있습니다. Bedrock, SageMaker, OpenSearch 등 **AWS 서비스와 통합**되어 인프라를 별도 구축하지 않고도 다양한 AI 응용에 실시간 벡터 연산 및 검색, 대규모 확장성이 가능합니다.

## Topic Body

- 클라우드 최초로 **네이티브 벡터를 지원**하는 대규모 오브젝트 스토리지  
- 벡터 데이터 저장, 업로드, 쿼리 비용을 **최대 90%까지 절감**할 수 있으며, **서브초(subsecond) 쿼리 성능** 제공  
- **벡터 버킷** 및 **벡터 인덱스** 개념을 도입, AI 임베딩·RAG 등 생성형 AI 워크로드의 대규모 벡터 데이터 저장·검색 최적화  
- **Amazon Bedrock, SageMaker, OpenSearch** 등 AWS 서비스와 통합, 비용과 성능 균형 잡힌 벡터 관리 및 실시간 검색 가능  
- 인프라 구축 없이 콘솔, CLI, SDK, API로 손쉽게 벡터 데이터 저장, 관리, 쿼리, 내보내기, 통합 등 다양한 활용 시나리오 지원  
  
---  
  
### Amazon S3 Vectors란?  
  
- **Amazon S3 Vectors**는 대용량 벡터 데이터셋을 저장하고, 빠른 벡터 검색(semantic/similarity search)을 제공하는 새로운 S3 전용 스토리지  
- **생성형 AI**에서 자주 사용되는 벡터(임베딩) 데이터를 효율적으로 관리할 수 있도록 설계  
- **벡터 버킷**이라는 새로운 타입의 S3 버킷 제공, 각 벡터 버킷에는 최대 10,000개의 **벡터 인덱스** 생성 가능하며, 인덱스마다 수천만 개 벡터 저장 가능  
- 벡터별로 **메타데이터(key-value)** 부여 지원, 조건별 필터링 쿼리 가능  
  
### 비용·성능 최적화 및 자동화 기능  
  
- 벡터 데이터의 업로드, 저장, 쿼리 비용을 **최대 90% 절감** 가능  
- 데이터가 커져도 **S3 Vectors가 자동으로 최적화**하여, 비용과 성능을 지속적으로 유지  
- **Cosine/Euclidean** 거리 메트릭 제공, AI 임베딩 모델과 호환되는 유연한 검색 환경 제공  
  
### AWS 서비스 및 AI 인프라 통합  
  
- **Amazon Bedrock Knowledge Bases**와 네이티브 통합, **SageMaker Unified Studio**에서 직접 사용 가능  
- **OpenSearch Service**와 연동해, 장기/저빈도 데이터는 S3에 저장, 고빈도/실시간 검색은 OpenSearch로 이관 가능(서버리스 벡터 컬렉션)  
- 추천 시스템, RAG, 문서 분석, 개인화 추천 등 다양한 AI 응용에 적합  
  
### 주요 활용 방법  
  
#### 벡터 버킷 및 인덱스 생성  
  
- 콘솔에서 **Vector buckets** 메뉴에서 벡터 버킷 생성  
- 버킷 생성 시 암호화 옵션 지정 가능(SSE-S3, SSE-KMS)  
- 각 버킷에 **벡터 인덱스** 추가, 인덱스별로 차원 수·거리 메트릭 지정  
  
#### 벡터 데이터 삽입·쿼리  
  
- **AWS CLI, SDK, REST API**를 사용해 벡터 삽입·관리  
- Amazon Bedrock에서 텍스트 임베딩 생성 → S3 Vectors로 벡터 삽입  
- 예시: `boto3`로 embedding 생성 후 `s3vectors.put_vectors` API로 인덱스에 데이터 업로드  
- 메타데이터를 활용해 장르·카테고리 등 조건별 쿼리 가능  
  
#### OpenSearch 연동 및 내보내기  
  
- 콘솔의 **Export to OpenSearch**로 S3 Vector 인덱스를 OpenSearch로 마이그레이션  
- 서버리스 컬렉션 자동 생성, 실시간 벡터 검색 및 분석 워크로드로 확장  
  
### 주요 특징 및 지원 환경  
  
- S3 Vector 버킷은 **암호화 기본 적용(SSE-S3)**, KMS 옵션 추가 지원  
- **CLI/SDK/REST API**를 통한 자동화/프로그램틱 활용  
- 현재 프리뷰 지원 리전: 미국 동부/서부, 유럽(프랑크푸르트), 아시아(시드니)  
  
### 통합 및 사용 시나리오  
  
- **RAG, 에이전트 메모리, 유사도/시맨틱 검색, 지능형 문서 분석, 개인화 추천, 콘텐츠 자동 분석 등** 다양한 산업별 벡터 활용 사례 지원  
- OpenSearch, SageMaker, Bedrock 등 AWS 생태계와 통합하여 **비용 효율적이고 대규모로 확장 가능한 벡터 기반 AI 솔루션** 구축 가능  
  
### 참고 및 추가 자료  
  
- 상세 가이드: [S3 Vector Buckets User Guide](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-buckets.html)  
- CLI 활용: [S3 Vectors Embed CLI GitHub](https://github.com/awslabs/s3vectors-embed-cli)  
- 실시간 OpenSearch 연동: [OpenSearch Serverless Collections Guide](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/serverless-collections.html)

## Comments



_No public comments on this page._