Sorgente di analisi di Amazon Titan (Amazon Bedrock)

Utilizzare il connettore di analisi Amazon Titan (Amazon Bedrock) per la comunicazione con Amazon Titan, per aggiungere alle app Qlik Sense funzioni contestuali e analitiche dalla tecnologia che utilizza IA generativa e modelli linguistici di grandi dimensioni.

Con il connettore di analisi Amazon Titan (Amazon Bedrock), è possibile inviare i dati dall'input dell'utente dell'app o dai dati caricati nello script a Amazon Titan. È possibile connettersi a questa sorgente di analisi dalla pagina Crea nel centro attività Analisi, da Script o in un'app.

Amazon Titan è un provider di modelli di fondazione adatti per molti casi di utilizzo differenti. Il connettore di analisi Amazon Titan (Amazon Bedrock) supporta le seguenti varianti di modelli:

• Titan Text Express

• Titan Embeddings

Amazon Titan

Prerequisiti

Per utilizzare questo connettore, è necessario essere un utente di AWS con una Chiave di accesso e una Chiave segreta. È necessario inoltre disporre dell'autorizzazione bedrock:invokemodel.

Abilitazione degli endpoint di ML in Qlik Cloud

Per utilizzare questo connettore, è necessario abilitare gli endpoint di machine learning nel centro attività Amministrazione. L'interruttore è posizionato nella sezione Controllo funzione delle Impostazioni.

Per ulteriori informazioni, vedere Abilitazione delle connessioni di analisi per gli endpoint di machine learning.

Limiti

• Le configurazioni differenti del connettore inviano i dati al servizio dell'endpoint con i seguenti limiti:

  • Amazon - Titan Text G1: limite della richiesta di 25 righe per ogni richiesta, con dimensioni massime per il lotto di una riga inviata alla volta.

  • Amazon - Titan Embeddings G1 - Text: limite della richiesta di 1000 righe per ogni richiesta, con dimensioni massime per il lotto di una riga inviata alla volta.

• Le risorse disponibili sui servizi in cui il modello è stato distribuito influiranno e limiteranno le prestazioni nel ricaricamento di Qlik Sense e nella reattività dei grafici.

• In uno scenario in cui un'applicazione viene ricaricata regolarmente, si consiglia di memorizzare nella cache le predizioni di machine learning usando un file QVD e inviare solo le nuove righe all'endpoint. Ciò migliorerà le prestazioni di ricaricamento dell'applicazione Qlik Sense e ridurrà il carico sull'endpoint modello.

• Se si sta utilizzando un nome connessione relativo, e si decide di spostare la propria app da uno spazio condiviso a un altro spazio condiviso, o se si sposta la propria app da uno spazio condiviso al proprio spazio personale, ci vorrà del tempo affinché la connessione di analisi venga aggiornata per riflettere la nuova posizione nello spazio.