# Amazon SageMaker analytics source

Amazon SageMaker to platforma uczenia maszynowego do automatyzacji, zapewniania i przyspieszania analiz predykcyjnych, która pomaga specjalistom od danych i analitykom w tworzeniu i wdrażaniu dokładnych modeli predykcyjnych.

Aby się połączyć z Amazon SageMaker, musisz utworzyć model lub mieć do niego dostęp i wdrożyć go w punkcie końcowym na platformie AWS. Ten punkt końcowy musi być publicznie dostępny dla Qlik Cloud.

[Amazon SageMaker](https://aws.amazon.com/pm/sagemaker)

## Włączanie punktów końcowych uczenia maszynowego w Qlik Cloud

Aby można było pracować z tym łącznikiem, punkty końcowe uczenia maszynowego muszą być włączone w centrum aktywności Administrowanie. Przełącznik znajduje się w obszarze Sterowanie funkcją w sekcji Ustawienia.

Więcej informacji zawiera temat [Włączanie połączeń analitycznych dla punktów końcowych uczenia maszynowego](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling).

## Ograniczenia

* Amazon Comprehend ma przydziały dotyczące punktów końcowych:

  [Punkty końcowe i limity Amazon SageMaker](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html)

* AWS oferuje wdrożenie modelu na różnych typach wystąpień, na przykład średnich i dużych. Zasoby dostępne w usługach Amazon wpłyną ograniczająco na wydajność ładowania Qlik Sense i responsywność wykresu.

* Dane wysyłane przez Qlik Sense do Amazon SageMaker są w formacie CSV bez wiersza nagłówka. Oznacza to, że pola muszą być wysyłane dokładnie w takiej kolejności, w jakiej oczekuje ich punkt końcowy Amazon SageMaker. Pola należy określić w tej samej kolejności, w jakiej były podczas generowania modelu.

* Łącznik Amazon SageMaker ma ograniczenie 200,000 wierszy na żądanie. Są one wysyłane do usługi punktu końcowego w partiach po 2000 wierszy. Jeżeli wymagane jest przetworzenie większej liczby wierszy, użyj instrukcji Loop w skrypcie ładowania danych, aby przetworzyć więcej wierszy w partiach.

* Jeżeli aplikacja jest regularnie ładowana, najlepsza praktyka polega na buforowaniu prognoz przy użyciu pliku QVD i wysyłaniu do punktu końcowego prognoz tylko nowych wierszy. Poprawi to wydajność ponownego ładowania aplikacji Qlik Sense i zmniejszy obciążenie punktu końcowego Amazon SageMaker.

* Podczas używania połączeń Amazon SageMaker w wyrażeniu wykresu ważne jest podanie typów danych pól, ponieważ model musi je przetworzyć w poprawnym formacie ciągu lub liczbowym. Ograniczenie rozszerzeń po stronie serwera w wyrażeniach wykresu polega na tym, że typy danych nie są automatycznie wykrywane tak jak w skrypcie ładowania.

* Jeśli używasz względnej nazwy połączenia i jeśli zdecydujesz się przenieść swoją aplikację z przestrzeni udostępnionej do innej przestrzeni udostępnionej, lub jeśli przeniesiesz swoją aplikację z przestrzeni udostępnionej do przestrzeni prywatnej, wtedy aktualizacja połączenia analitycznego w celu odzwierciedlenia nowej lokalizacji przestrzeni zajmie trochę czasu.

* Nie można tworzyć i zarządzać połączeniami z tym łącznikiem w Menedżer danych w aplikacji analitycznej.