Amazon Titan (Amazon Bedrock) -analysebron
Gebruik de Amazon Titan (Amazon Bedrock)-analyseconnector om te communiceren met Amazon Titan en breidt uw Qlik Sense-apps uit met context en analyses van generatieve AI-technologie en LLM-technologie (Large Language Model).
Met de Amazon Bedrock - Converse API-connector kunt u verbinding maken met Amazon Bedrock's universele API voor tekstgeneratiemodellen, inclusief een of meer modellen die via deze connector beschikbaar zijn. Voor meer geavanceerde functionaliteit kunt u overwegen om verbindingen die de Amazon - Titan Text G1 - Express-configuratie van deze verbinding gebruiken, te vervangen door Amazon Bedrock - Converse API-verbindingen.
Ga voor meer informatie naar Amazon Bedrock - Converse API-analysebron.
Met de Amazon Titan (Amazon Bedrock)-analyseconnector kunt u gegevens verzenden van gebruikersinvoer in apps of van gegevens die zijn geladen in uw script naar Amazon Titan. U kunt vanaf de pagina Maken in het Analyse-activiteitencentrum, het Script of in een app verbinding maken met deze analysebron.
Vereisten
Om te werken met deze connector moet u een AWS-gebruiker zijn met een toegangssleutel en geheime sleutel. U moet ook beschikken over de machtiging bedrock:invokemodel.
ML-eindpunten inschakelen in Qlik Cloud
U moet machine learning-eindpunten inschakelen in het Beheer-activiteitencentrum om deze connector te kunnen gebruiken. U vindt de schakelaar onder Functiebeheer in de sectie Instellingen.
Ga voor meer informatie naar Analytische verbindingen inschakelen voor machine learning-eindpunten..
Beperkingen
-
De verschillende configuraties van deze connector verzenden gegevens naar de eindpuntservice op basis van de volgende beperkingen:
-
Amazon - Titan Text G1: aanvraaglimiet van 25 rijen per aanvraag, met een maximum batchgrootte van 1 rij die per keer verstuurd kan worden.
-
Amazon - Titan Embeddings G1 - Text: aanvraaglimiet van 1000 rijen per aanvraag, met een maximum batchgrootte van 1 rij die per keer verstuurd kan worden.
-
-
De beschikbare resources in de services waarin het model is geïmplementeerd, beïnvloeden en beperken de prestaties bij het opnieuw laden van Qlik Sense en bij diagramresponsiviteit.
-
In een scenario waarbij een applicatie regelmatig opnieuw wordt geladen, is het handig om de machine learning-prognoses met behulp van een QVD-bestand op te slaan in cache en alleen de nieuwe rijen naar het eindpunt te sturen. Dit verbetert de prestaties van het opnieuw laden van de Qlik Sense-applicatie en beperkt de belasting van het modeleindpunt.
-
Als u een relatieve verbindingsnaam gebruikt en u besluit uw app van een gedeelde ruimte naar een andere gedeelde ruimte te verplaatsen, of als u uw app van een gedeelde ruimte naar uw persoonlijke ruimte verplaatst, duurt het even voordat de analytische verbinding is bijgewerkt en de nieuwe locatie weerspiegelt.
-
U kunt geen verbindingen met deze connector maken en beheren in Gegevensbeheer binnen een analyse-app.