Fuente de analítica Amazon Titan (Amazon Bedrock)

Utilice el conector de análisis Amazon Titan (Amazon Bedrock) para comunicarse con Amazon Titan, enriqueciendo sus aplicaciones de Qlik Sense con profundidad analítica y contextual de IA generativa y la tecnología de modelo de lenguaje grande (LLM).

Con el conector Amazon Titan (Amazon Bedrock) analytics, puede enviar datos desde la entrada del consumidor de la aplicación o desde datos cargados en su script, a Amazon Titan. Puede conectarse a esta fuente de analítica desde la página Crear en el centro de actividad Analítica, la página Script, o desde dentro de una app.

Amazon Titan es un proveedor de modelos de base adecuados para varios casos de uso diferentes. El conector analítico Amazon Titan (Amazon Bedrock) admite las siguientes variantes de modelo de base:

• Titan Text Express

• Titan Embeddings

Amazon Titan

Requisitos previos

Para trabajar con este conector es necesario ser usuario de AWS con clave de acceso y clave secreta. También debe tener el permiso bedrock:invokemodel.

Habilitar puntos de conexión de ML en Qlik Cloud

Para trabajar con este conector, los puntos de conexión de Machine Learning deben estar habilitados en el centro de actividades de Administración. El conmutador se encuentra en Control de funciones, en la sección Configuración.

Para más información, consulte Habilitar conexiones analíticas para puntos de conexión de aprendizaje automático.

Limitaciones

• Las diferentes configuraciones de este conector envían datos al servicio del punto de conexión con los siguientes límites:

  • Amazon - Titan Text G1: límite de solicitudes de 25 filas por solicitud, con un tamaño de lote máximo de una fila enviada por vez.

  • Amazon - Titan Embeddings G1 - Text: límite de solicitudes de 1000 filas por solicitud, con un tamaño de lote máximo de una fila enviada por vez.

• Los recursos disponibles en los servicios donde se ha implementado el modelo afectarán y limitarán el rendimiento en la carga de Qlik Sense y la capacidad de respuesta del gráfico.

• En un escenario en el que una aplicación se recarga con regularidad, es una buena práctica almacenar en caché las predicciones de aprendizaje automático mediante un archivo QVD y solo enviar las nuevas filas al punto de conexión. Esto mejorará el rendimiento de la recarga de la aplicación de Qlik Sense y reducirá la carga en el punto de conexión del modelo.

• Si está utilizando un nombre de conexión relativo y si decide mover su app de un espacio compartido a otro espacio compartido, o si mueve su app de un espacio compartido a su espacio personal, la conexión analítica tardará algún tiempo en actualizarse para reflejar la nueva ubicación del espacio.