Przeskocz do zawartości głównej Przejdź do treści uzupełniającej

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).

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, Skrypt lub z aplikacji.

Amazon Titan jest dostawcą modeli bazowych przeznaczonych do kilku różnych zastosowań. Łącznik analityczny Amazon Titan (Amazon Bedrock) obsługuje następujące warianty modeli:

  • Titan Text Express

  • Titan Embeddings

Amazon Titan

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.

Dowiedz się więcej

Czy ta strona była pomocna?

Jeżeli natkniesz się na problemy z tą stroną lub jej zawartością — literówkę, brakujący krok lub błąd techniczny — daj nam znać, co możemy poprawić!