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 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.

Amazon Titan is een aanbieder van basismodellen die geschikt zijn voor verschillende soorten usecases. De Amazon Titan (Amazon Bedrock)-analyseconnector ondersteunt de volgende modelvarianten:

• Titan Text Express

• Titan Embeddings

Amazon Titan

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.