Amazon Bedrock - Converse API-Analysequelle
Der Amazon Bedrock - Converse API-Analysekonnektor ermöglicht den Zugriff auf die universelle API von Amazon Bedrock für LLMs (Large Language Models), die Funktionen zur Textgenerierung bieten. Verwenden Sie diesen Konnektor, um Ihre Analyse-Apps mit der kontextuellen und analytischen Tiefe generativer KI-Modelle auszustatten, die von Amazon Bedrock gehostet werden.
Dieser Konnektor kommuniziert mit der Converse API, die den Zugriff auf zahlreiche Textgenerierungsmodelle ermöglicht, darunter auch die Amazon Nova-Familie der Basismodelle. Die Converse API ermöglicht es Ihnen, verschiedene erweiterte Funktionen von Amazon Bedrock zu nutzen, darunter CRIS-Profile (Cross-Region Inference) und Guardrails (Leitwerte). Eine Liste der Modelle und Funktionen, die von der Converse API unterstützt werden, finden Sie unter Unterstützte Modelle und Modellfunktionen.
Mit dem Amazon Bedrock - Converse API-Analysekonnektor können Sie Daten von der App-Nutzereingabe oder von in Ihrem Skript geladenen Daten an Amazon Bedrock senden. Sie können über die Seite „Erstellen“ im Aktivitätscenter Analysen, über den Skript oder von einer App aus eine Verbindung zu dieser Analysequelle herstellen.
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
-
Der Konnektor hat ein Anfragelimit von 25 Zeilen pro Anfrage mit einer maximalen Batchgröße von jeweils 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 privaten Bereich zu verschieben, dauert es eine bestimmte Zeit, bis die Analyseverbindung aktualisiert wird und den neuen Bereichsspeicherort angibt.