Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Invocación de un punto de conexión
<a name="canvas-deploy-model-invoke"></a>

**nota**  
Le recomendamos que [pruebe la implementación de su modelo en Amazon SageMaker Canvas](canvas-deploy-model-test.md) antes de invocar un punto final de SageMaker IA mediante programación.

Puede usar los modelos de Amazon SageMaker Canvas que haya implementado en un punto final de SageMaker IA en producción con sus aplicaciones. [Invoque el punto final mediante programación del mismo modo que invoca cualquier otro SageMaker punto final de IA en tiempo real.](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) Al invocar un punto de conexión mediante programación, se devuelve un objeto de respuesta que contiene los campos explicados en [Pruebe la implementación](canvas-deploy-model-test.md).

Para obtener información más detallada acerca de cómo invocar puntos de conexión mediante programación, consulte [Invocación de modelos para realizar inferencias en tiempo real](realtime-endpoints-test-endpoints.md).

Los siguientes ejemplos de Python muestran cómo invocar el punto de conexión en función del tipo de modelo.

## JumpStart modelos básicos
<a name="canvas-invoke-js-example"></a>

En el siguiente ejemplo, se muestra cómo invocar un modelo JumpStart básico que ha implementado en un punto final.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
    [['feature_column1', 'feature_column2'], 
    ['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Modelos de predicción numérica y categórica
<a name="canvas-invoke-tabular-example"></a>

En el siguiente ejemplo se muestra cómo invocar modelos de predicción numéricos o categóricos.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Modelos de previsión de series temporales
<a name="canvas-invoke-forecast-example"></a>

En el siguiente ejemplo se muestra cómo invocar modelos de previsión de series temporales. Para ver un ejemplo completo de cómo probar la invocación de un modelo de previsión de series temporales, consulte Previsión de [series temporales con Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). SageMaker 

```
import boto3
import pandas as pd

csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)

client = boto3.client("runtime.sagemaker")

body = data.to_csv(index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Modelos de predicción de imágenes
<a name="canvas-invoke-cv-example"></a>

En el siguiente ejemplo se muestra cómo invocar modelos de predicción de imágenes.

```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
    body = file.read()
    response = client.invoke_endpoint(
        EndpointName="endpoint_name",
        ContentType="application/x-image",
        Body=body,
        Accept="application/json"
    )
```

## Modelos de predicción de texto
<a name="canvas-invoke-nlp-example"></a>

En el siguiente ejemplo se muestra cómo invocar modelos de predicción de texto.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```