Перейти к основному содержимому Перейти к дополнительному содержимому

Источник аналитики Amazon Titan (Amazon Bedrock)

Используйте аналитический коннектор Amazon Titan (Amazon Bedrock) для взаимодействия с Amazon Titan, чтобы обогатить приложения Qlik Sense глубоким контекстом и аналитическим содержимым из генеративных моделей ИИ, а также за счет использования технологии больших языковых моделей (БЯМ).

Аналитический коннектор Amazon Titan (Amazon Bedrock) позволяет отправлять данные из пользовательского ввода приложения или из данных, загруженных в скрипт, в Amazon Titan. Подключиться к этому источнику аналитики можно из хаба Редактор скриптов или внутри приложения.

Amazon Titan — это поставщик базовых моделей, предназначенных для нескольких разных сценариев использования. Аналитический коннектор Amazon Titan (Amazon Bedrock) поддерживает следующие варианты моделей:

  • Titan Text Express (Экспресс-текст Titan)

  • Titan Embeddings (Встраивания Titan)

Amazon Titan

Предварительные требования

Для работы с этим коннектором необходимо быть пользователем AWS с ключом доступа и секретным ключом. Также требуется разрешение bedrock:invokemodel.

Включение конечных точек машинного обучения в Qlik Cloud

Для работы с этим коннектором необходимо включить конечные точки машинного обучения в Консоль управления. Переключатель находится в области Контроль функции раздела Параметры.

Для получения дополнительной информации см. раздел Включение аналитических коннекторов для конечных точек машинного обучения.

Ограничения.

  • Разные конфигурации этого коннектора отправляют данные в конечную службу с соблюдением следующих ограничений:

    • Amazon - Titan Text G1 - Express: ограничение 25 строк на запрос, максимальный размер пакета — 1 строка за один раз.

    • Amazon - Titan Embeddings G1 - Text: Действует ограничение 1000 строк на запрос, максимальный размер пакета — 1 строка за один раз.

  • Ресурсы, доступные в службах, где развернута модель, будут обуславливать и ограничивать производительность при перезагрузке Qlik Sense, а также скорость отклика диаграмм.

  • В сценарии с регулярной перезагрузкой приложения лучше всего кэшировать прогнозы машинного обучения с использованием файла QVD и отправлять в конечную точку только новые строки. Это улучшит производительность при перезагрузке приложения Qlik Sense и уменьшит нагрузку на конечную точку модели.

  • Если используется относительное имя подключения и необходимо перенести приложение из одного общего пространства в другое или перенести приложение из общего пространства в личное, то может потребоваться время на обновление аналитического подключения с учетом нового расположения пространства.

Помогла ли вам эта страница?

Если вы обнаружили какую-либо проблему на этой странице и с ее содержанием — будь то опечатка, пропущенный шаг или техническая ошибка, сообщите нам об этом, чтобы мы смогли ее исправить!