Fonte de análises do Amazon Titan (Amazon Bedrock)
Use o conector Amazon Titan (Amazon Bedrock) de análise para comunicação com o Amazon Titan, enriquecendo seus aplicativos Qlik Sense com profundidade contextual e analítica da tecnologia de IA generativa e modelo de linguagem grande (LLM).
O conector Amazon Bedrock - Converse API permite que você se conecte à API universal do Amazon Bedrock para modelos de geração de texto, incluindo um ou mais modelos disponíveis por meio desse conector. Para uma funcionalidade mais avançada, considere substituir as conexões que usam a configuração do Amazon - Titan Text G1 - Express desta conexão por conexões Amazon Bedrock - Converse API.
Para obter mais informações, consulte Fonte de análises do Amazon Bedrock - Converse API.
Com o conector de análise do Amazon Titan (Amazon Bedrock), você pode enviar dados da entrada do consumidor do aplicativo ou de dados carregados no seu script ao Amazon Titan. Você pode se conectar a essa fonte de análise na página Criar no centro de atividades do Análises, no Script ou em um aplicativo.
Pré-requisitos
Para trabalhar com esse conector, você deve ser um usuário da AWS com chave de acesso e chave secreta. Você também deve ter a permissão bedrock:invokemodel.
Ativando endpoints de ML no Qlik Cloud
Para trabalhar com esse conector, os endpoints de aprendizado de máquina devem ser habilitados no centro de atividades de Administração. O interruptor está localizado em Controle de recursos na seção Configurações.
Para obter mais informações, consulte Habilitando conexões analíticas para endpoints de aprendizado de máquina.
Limitações
As diferentes configurações deste conector enviam dados para o serviço endpoint com os seguintes limites:
Amazon - Titan Text G1: limite de solicitação de 25 linhas por solicitação, com um tamanho máximo de lote de uma linha sendo enviada por vez.
Amazon - Titan Embeddings G1 - Text: limite de solicitação de 1000 linhas por solicitação, com um tamanho máximo de lote de uma linha sendo enviada por vez.
Os recursos disponíveis nos serviços em que o modelo foi implantado impactarão e limitarão o desempenho no carregamento do Qlik Sense e na capacidade de resposta do gráfico.
Em um cenário em que um aplicativo é recarregado regularmente, é uma prática recomendada armazenar em cache as previsões de aprendizado de máquina usando um arquivo QVD e enviar apenas as novas linhas para o endpoint. Isso melhorará o desempenho do carregamento do aplicativo do Qlik Sense e reduzirá a carga no endpoint do modelo.
Se estiver usando um nome de conexão relativo e decidir mover seu aplicativo de um espaço compartilhado para outro, ou se mover seu aplicativo de um espaço compartilhado para seu espaço pessoal, levará algum tempo conexão analítica ser atualizada para refletir a nova localização do espaço.