Amazon Titan (Amazon Bedrock) -Analysequelle

Verwenden Sie den Amazon Titan (Amazon Bedrock)-Analysekonnektor für die Kommunikation mit Amazon Titan und nutzen Sie in Ihren Qlik Sense Apps die kontextuelle und analytische Tiefe der generativen KI und der LLM-Technologie (Large Language Model).

Mit dem Amazon Titan (Amazon Bedrock)-Analysekonnektor können Sie Daten von der App-Nutzereingabe oder von in Ihrem Skript geladenen Daten an Amazon Titan senden. Sie können über die Seite „Erstellen“ im Aktivitätscenter Analysen, über den Skript oder von einer App aus eine Verbindung zu dieser Analysequelle herstellen.

Amazon Titan ist ein Anbieter für Basismodelle, die sich für verschiedene Anwendungsfälle eignen. Der Amazon Titan (Amazon Bedrock)-Konnektor unterstützt die folgenden Modellvarianten:

• Titan Text Express

• Titan Embeddings

Amazon Titan

Voraussetzungen

Um mit diesem Konnektor zu arbeiten, müssen Sie ein AWS-Benutzer mit einem Zugriffsschlüssel und einem geheimen Schlüssel sein. Zudem benötigen Sie die Berechtigung bedrock:invokemodel.

Aktivieren von ML-Endpunkten in Qlik Cloud

Für die Arbeit mit diesem Konnektor müssen ML-Endpunkte im Aktivitätscenter Verwaltung aktiviert werden. Der Schalter befindet sich im Abschnitt Einstellungen unter Funktionssteuerung.

Weitere Informationen finden Sie unter Aktivieren von Analyseverbindungen für Endpunkte für maschinelles Lernen.

Beschränkungen

• Die einzelnen Konfigurationen dieses Konnektors senden Daten an den Endpunktdienst mit den folgenden Einschränkungen:

  • Amazon - Titan Text G1: Anfragelimit von 25 Zeilen pro Anfrage mit einer maximalen Batchgröße von einer gesendeten Zeile.

  • Amazon - Titan Embeddings G1 - Text: Anfragelimit von 1000 Zeilen pro Anfrage mit einer maximalen Batchgröße von einer gesendeten Zeile.

• Die verfügbaren Ressourcen in den Qlik Sense-Diensten, in denen das Modell bereitgestellt wurde, beeinflussen und beschränken die Leistung beim Ladevorgang und den Diagrammantwortzeiten.

• In einem Szenario, in dem eine Anwendung regelmäßig geladen wird, besteht die Best Practice darin, die Prognosen für maschinelles Lernen anhand einer QVD-Datei zwischenzuspeichern und nur die neuen Zeilen an den Endpunkt zu senden. Dies verbessert die Leistung des Ladevorgangs der Qlik Sense Anwendung und reduziert die Last am Modellendpunkt.

• Wenn Sie einen relativen Verbindungsnamen verwenden und entscheiden, Ihre App aus einem freigegebenen Bereich in einen anderen freigegebenen Bereich bzw. in Ihren persönlichen Bereich zu verschieben, dauert es eine bestimmte Zeit, bis die Analyseverbindung aktualisiert wird und den neuen Bereichsspeicherort angibt.