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 на странице «Создать» в центре активности Аналитика, Скрипт или в приложении.
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)
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 центре активности Администрирование. 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: ограничение 25 строк на запрос, максимальный размер пакета — 1 строка за один раз.
-
Amazon - Titan Embeddings G1 - Text: 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.