Ga naar hoofdinhoud Ga naar aanvullende inhoud

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.

Meer informatie

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!