Źródło do analityki Amazon Titan (Amazon Bedrock)
Za pomocą łącznika analityki Amazon Titan (Amazon Bedrock) możesz się komunikować z Amazon Titan i wzbogacać swoje aplikacje Qlik Sense o kontekstową i analityczną głębię z modeli generatywnej sztucznej inteligencji i dużych modeli językowych (LLM).
Łącznik Amazon Bedrock - Converse API umożliwia połączenie z uniwersalnym API Amazon Bedrock dla modeli generowania tekstu, w tym jednego lub więcej modeli dostępnych za pośrednictwem tego łącznika. Aby uzyskać bardziej zaawansowane funkcje, rozważ zastąpienie połączeń korzystających z konfiguracji Amazon - Titan Text G1 - Express tego połączenia połączeniami Amazon Bedrock - Converse API.
Więcej informacji zawiera temat Źródło do analityki Amazon Bedrock - Converse API.
Za pomocą łącznika analitycznego Amazon Titan (Amazon Bedrock) możesz wysyłać do Amazon Titan dane wprowadzane przez użytkownika aplikacji lub dane załadowane w skrypcie. Z tym źródłem analitycznym możesz połączyć się ze strony Utwórz w centrum aktywności Analytics, w narzędziu Skrypt lub z aplikacji.
Wymagania wstępne
Aby móc pracować z tym łącznikiem, musisz być użytkownikiem AWSmającym klucz dostępu i klucz tajny. Wymagane jest też uprawnienie bedrock:invokemodel.
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.
Ograniczenia
Różne konfiguracje tego łącznika wysyłają dane do usługi punktu końcowego z następującymi ograniczeniami:
Amazon - Titan Text G1: limit żądań wynoszący 25 wierszy na żądanie, z maksymalnym rozmiarem partii wynoszącym jeden wiersz naraz.
Amazon - Titan Embeddings G1 - Text: limit żądań wynoszący 1000 wierszy na żądanie, z maksymalnym rozmiarem partii wynoszącym jeden wiersz naraz.
Zasoby dostępne w usługach, w których wdrożono model, wpłyną ograniczająco na wydajność ładowania Qlik Sense i responsywność wykresu.
Jeżeli aplikacja jest regularnie ładowana, najlepsza praktyka polega na buforowaniu prognoz uczenia maszynowego przy użyciu pliku QVD i wysyłaniu do punktu końcowego tylko nowych wierszy. Poprawi to wydajność ładowania aplikacji Qlik Sense i zmniejszy obciążenie punktu końcowego modelu.
Jeśli używasz względnej nazwy połączenia i zdecydujesz się przenieść aplikację z przestrzeni udostępnionej do innej przestrzeni udostępnionej lub jeśli przeniesiesz aplikację z przestrzeni udostępnionej do przestrzeni prywatnej, aktualizacja połączenia analitycznego w celu odzwierciedlenia nowej lokalizacji przestrzeni zajmie trochę czasu.