Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Création de votre ressource Amazon SageMaker AI
Pour publier un package modèle ou un produit d'algorithme, vous devez créer la ressource de [package de modèle ou la ressource](https://docs.aws.amazon.com/marketplace/latest/userguide/ml-creating-your-amazon-sagemaker-resource.html#ml-creating-your-model-package-product) d'[algorithme](https://docs.aws.amazon.com/marketplace/latest/userguide/ml-creating-your-amazon-sagemaker-resource.html#ml-creating-your-algorithm-product) correspondante dans Amazon SageMaker AI. Lorsque vous créez votre ressource pour un AWS Marketplace produit, celle-ci doit être certifiée par le biais d'une étape de validation. L'étape de validation nécessite que vous fournissiez des données pour tester votre paquetage de modèles ou votre ressource d'algorithme avant de pouvoir les publier. Les sections suivantes vous montrent comment créer votre ressource d' SageMaker IA, qu'il s'agisse d'une ressource de package modèle ou d'une ressource d'algorithme. Cela inclut la définition des spécifications de validation qui indiquent à l' SageMaker IA comment effectuer la validation.
**Note**
Si vous n'avez pas encore créé les images de votre produit et ne les avez pas chargées sur Amazon Elastic Container Registry (Amazon ECR), [Regrouper votre code sous forme d'images pour les produits d'apprentissage automatique dans AWS Marketplace](ml-packaging-your-code-into-images.md) consultez [Téléchargement de vos images sur Amazon Elastic Container Registry](ml-uploading-your-images.md) et pour obtenir des informations sur la procédure à suivre.
**Topics**
+ [Création de votre modèle de package](#ml-creating-your-model-package-product)
+ [Création de votre algorithme](#ml-creating-your-algorithm-product)
## Création de votre modèle de package
Les conditions suivantes sont requises pour créer un modèle de package pour AWS Marketplace :
+ Une image d'inférence stockée dans [Amazon ECR](https://aws.amazon.com/ecr/)
+ (Facultatif) Artefacts du modèle, stockés séparément dans [Amazon S3](https://aws.amazon.com/s3/)
+ Vos données de test utilisées pour les inférences, stockées dans Amazon Simple Storage Service
**Note**
Ce qui suit concerne la création d'un modèle de produit d'emballage. Pour plus d'informations sur les packages de modèles dans l' SageMaker IA, consultez la section [Créer une ressource de packages de modèles](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-mkt-create-model-package.html).
### Création des ressources du package modèle
Les procédures suivantes vous guident dans la création des ressources du package modèle.
**Étape 1 : Pour créer les ressources du package modèle**
1. Ouvrez la [console Amazon SageMaker AI](https://us-east-2.console.aws.amazon.com/sagemaker/home).
1. Vérifiez que vous vous trouvez dans la AWS région à partir de laquelle vous souhaitez publier en regardant en haut à droite de la page. Pour la publication, consultez la [Supporté Régions AWS pour la publication](ml-service-restrictions-and-limits.md#ml-supported-aws-regions-for-publishing) section. L'image d'inférence que vous avez chargée sur Amazon ECR lors des étapes précédentes doit se trouver dans la même région.
1. Dans le menu de navigation de gauche, choisissez **Model packages**.
1. Sélectionnez **Create model package (Créer un package de modèle)**.
Après avoir créé le package, vous devez définir les spécifications du package d'inférence.
**Étape 2 : Pour définir les spécifications d'inférence**
1. Entrez un **nom** pour votre modèle de package (par exemple,*my-model-package*).
1. Pour **Emplacement de l'image d'inférence**, entrez l'URI de votre image d'inférence qui a été téléchargée sur Amazon ECR. Vous pouvez récupérer l'URI en localisant votre image dans la [console Amazon ECR.](https://us-east-2.console.aws.amazon.com/ecr/repositories)
1. Si les artefacts de votre modèle issus de l'entraînement sont intégrés à votre logique dans votre image d'inférence, laissez le champ **Emplacement des artefacts de données du modèle vide**. Sinon, spécifiez l'emplacement complet sur Amazon S3 du fichier compressé (.tar.gz) des artefacts de votre modèle.
1. À l'aide de la liste déroulante, choisissez les types d'instance pris en charge pour votre image d'inférence en temps réel (également appelée point de *terminaison*) et pour les tâches de transformation par lots.
1. Choisissez **Suivant**.
Avant que votre modèle de package puisse être créé et publié, une validation est nécessaire pour garantir qu'il fonctionne comme prévu. Cela nécessite que vous exécutiez une tâche de transformation par lots avec les données de test que vous fournissez à des fins d'inférence. Les spécifications de validation indiquent à SageMaker AI comment effectuer la validation.
**Étape 3 : Pour définir les spécifications de validation**
1. Définissez **Publier ce modèle de package AWS Marketplace** sur **Oui**. Si vous définissez ce paramètre sur **Non**, vous ne pourrez pas publier ce modèle de package ultérieurement. Le fait de choisir **Oui** [certifie](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html#sagemaker-CreateModelPackage-request-CertifyForMarketplace) votre modèle de package AWS Marketplace et nécessite l'étape de validation.
1. Si c'est la première fois que ce processus est terminé, choisissez **Create a new role** for the **IAM role**. Amazon SageMaker AI utilise ce rôle lorsqu'il déploie votre modèle de package. Cela inclut des actions, telles que l'extraction d'images depuis Amazon ECR et d'artefacts depuis Amazon S3. Vérifiez les paramètres, puis choisissez **Create role**. La création d'un rôle ici accorde les autorisations décrites par la politique [ AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)IAM au rôle que vous créez.
1. Modifiez le **JSON** dans le profil de validation. Pour plus de détails sur les valeurs autorisées, consultez [TransformJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html).
1. `TransformInput.DataSource.S3Uri`: Définissez l'endroit où vos données de test pour inférence sont stockées.
1. `TransformInput.ContentType`: Spécifiez le type de contenu de vos données de test (par exemple `application/json``text/plain`,`image/png `,, ou toute autre valeur). SageMaker L'IA ne valide pas les données d'entrée réelles. Cette valeur est transmise au point de terminaison HTTP de votre conteneur dans la valeur `Content-type` d'en-tête.
1. `TransformInput.CompressionType`: défini sur `None` si vos données de test à des fins d'inférence dans Amazon S3 ne sont pas compressées.
1. `TransformInput.SplitType`: défini sur pour `None` transmettre chaque objet d'Amazon S3 dans son ensemble à des fins d'inférence.
1. `TransformOutput.S3OutputPath`: défini sur l'emplacement où la sortie d'inférence est stockée.
1. `TransformOutput.AssembleWith`: défini sur `None` pour générer chaque inférence sous forme d'objets distincts dans Amazon S3.
1. Sélectionnez **Create model package (Créer un package de modèle)**.
SageMaker L'IA extrait l'image d'inférence d'Amazon ECR, copie tous les artefacts dans le conteneur d'inférence et exécute une tâche de transformation par lots en utilisant vos données de test à des fins d'inférence. Une fois la validation réussie, le statut passe à **Terminé**.
**Note**
L'étape de validation n'évalue pas la précision du modèle à l'aide de vos données de test. L'étape de validation vérifie si le conteneur fonctionne et répond comme prévu.
Vous avez terminé de créer les ressources de votre modèle de produit. Passez au [Mettre en vente votre produit dans AWS Marketplace](ml-publishing-your-product-in-aws-marketplace.md).
## Création de votre algorithme
Les conditions suivantes sont requises pour créer un algorithme pour AWS Marketplace :
+ Une image d'inférence, stockée dans Amazon ECR
+ Une image d'entraînement, stockée dans Amazon ECR
+ Vos données de test pour l'entraînement, stockées dans Amazon S3
+ Vos données de test à des fins d'inférence, stockées dans Amazon S3
**Note**
La procédure pas à pas suivante permet de créer un produit algorithmique. Pour plus d'informations, voir [Création d'une ressource d'algorithme](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-mkt-create-algo.html).
### Création des ressources de l'algorithme
Les procédures suivantes vous permettent de créer les ressources de votre package d'algorithmes.
**Étape 1 : Pour créer les ressources de l'algorithme**
1. Ouvrez la [console Amazon SageMaker AI](https://us-east-2.console.aws.amazon.com/sagemaker/home).
1. Vérifiez que vous vous trouvez dans la AWS région à partir de laquelle vous souhaitez publier en regardant en haut à droite de la page (voir[Supporté Régions AWS pour la publication](ml-service-restrictions-and-limits.md#ml-supported-aws-regions-for-publishing)). Les images d'entraînement et d'inférence que vous avez chargées sur Amazon ECR lors des étapes précédentes doivent se trouver dans cette même région.
1. Dans le menu de navigation de gauche, sélectionnez **Algorithmes**.
1. Choisissez **Create algorithm (Créer un algorithme)**.
Après avoir créé le package d'algorithmes, vous devez définir les spécifications pour l'entraînement et le réglage de votre modèle.
**Étape 2 : Pour définir les spécifications d'entraînement et de réglage**
1. Entrez le **nom** de votre algorithme (par exemple,*my-algorithm*).
1. Pour **l'image d'entraînement**, collez l'adresse URI complète de votre image d'entraînement qui a été téléchargée sur Amazon ECR. Vous pouvez récupérer l'URI en localisant votre image dans la [console Amazon ECR.](https://us-east-2.console.aws.amazon.com/ecr/repositories)
1. À l'aide de la liste déroulante, choisissez les **types d'instances d'entraînement compatibles** avec votre image d'entraînement.
1. Dans la section **Spécification du canal**, ajoutez un canal pour chaque jeu de données d'entrée pris en charge par votre algorithme, jusqu'à 20 canaux de sources d'entrée. Pour plus d'informations, consultez la section [Configuration des données d'entrée](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html#your-algorithms-training-algo-running-container-inputdataconfig).
1. Choisissez **Suivant**.
1. Si votre algorithme prend en charge les hyperparamètres et le réglage des hyperparamètres, vous devez spécifier les paramètres de réglage.
1. Choisissez **Suivant**.
**Note**
Nous recommandons vivement que votre algorithme prenne en charge le réglage des hyperparamètres et rende les paramètres appropriés réglables. Cela permet aux data scientists d'ajuster les modèles pour obtenir les meilleurs résultats.
Après avoir défini les paramètres de réglage, le cas échéant, vous devez définir les spécifications de votre image d'inférence.
**Étape 3 : Pour définir les spécifications de l'image d'inférence**
1. Pour **Emplacement de l'image d'inférence**, collez l'URI de l'image d'inférence qui a été téléchargée sur Amazon ECR. Vous pouvez récupérer l'URI en localisant votre image dans la [console Amazon ECR.](https://us-east-2.console.aws.amazon.com/ecr/repositories)
1. À l'aide de la liste déroulante, choisissez les types d'instance pris en charge pour votre image d'inférence à la fois pour les tâches d'inférence en temps réel (également appelées *endpoints) et de transformation* par lots.
1. Choisissez **Suivant**.
Avant que votre algorithme puisse être créé et publié, une validation est nécessaire pour garantir qu'il fonctionne comme prévu. Cela nécessite que vous exécutiez à la fois une tâche d'entraînement avec des données de test pour l'entraînement et une tâche de transformation par lots avec les données de test à des fins d'inférence que vous fournissez. Les spécifications de validation indiquent à SageMaker AI comment effectuer la validation.
**Étape 4 : Pour définir les spécifications de validation**
1. Définissez **Publier cet algorithme AWS Marketplace** sur **Oui**. Si vous définissez ce paramètre sur **Non**, vous ne pourrez pas publier cet algorithme ultérieurement. **Si vous choisissez Oui,** [votre algorithme est certifié](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html#sagemaker-CreateAlgorithm-request-CertifyForMarketplace) AWS Marketplace et nécessite la spécification de validation.
1. Si c'est la première fois que vous créez un package de machine learning pour AWS Marketplace, choisissez **Create a new role** for the **IAM role**. Amazon SageMaker AI utilise ce rôle lors de l'entraînement de votre algorithme et du déploiement du package modèle suivant. Cela inclut des actions telles que l'extraction d'images depuis Amazon ECR, le stockage d'artefacts dans Amazon S3 et la copie de données de formation depuis Amazon S3. Vérifiez les paramètres, puis choisissez **Create role**. La création d'un rôle ici accorde les autorisations décrites par la politique [ AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)IAM au rôle que vous créez.
1. Modifiez le fichier **JSON** dans le profil de validation pour la **définition des tâches de formation**. Pour plus d'informations sur les valeurs autorisées, consultez [ TrainingJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html).
1. `InputDataConfig`: Dans ce tableau JSON, ajoutez un [objet Channel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Channel.html) pour chaque canal que vous avez spécifié lors de l'étape de spécification de formation. Pour chaque canal, spécifiez où sont stockées vos données de test pour l'entraînement.
1. `OutputDataConfig`: Une fois la formation terminée, les artefacts du modèle figurant dans le chemin du répertoire du conteneur de formation `/opt/ml/model/` sont compressés et copiés sur Amazon S3. Spécifiez l'emplacement Amazon S3 où le fichier compressé (.tar.gz) est stocké.
1. Modifiez le fichier JSON dans le profil de validation pour la **définition de la tâche de transformation**. Pour plus d'informations sur les valeurs autorisées, consultez [ TransformJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html).
1. `TransformInput.DataSource.S3Uri`: Définissez l'endroit où vos données de test pour inférence sont stockées.
1. `TransformInput.ContentType`: Spécifiez le type de contenu de vos données de test. Par exemple,`application/json`, `text/plain``image/png`, ou toute autre valeur. Amazon SageMaker AI ne valide pas les données d'entrée réelles. Cette valeur est transmise au point de terminaison HTTP de votre conteneur dans la valeur `Content-type` d'en-tête.
1. `TransformInput.CompressionType`: défini sur `None` si vos données de test à des fins d'inférence dans Amazon S3 ne sont pas compressées.
1. `TransformInput.SplitType`: Choisissez la manière dont vous souhaitez que les objets soient divisés dans S3. Par exemple, `None` transmet chaque objet d'Amazon S3 dans son ensemble à des fins d'inférence. Pour plus de détails, consultez [ SplitType](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformInput.html#sagemaker-Type-TransformInput-SplitType)le manuel Amazon SageMaker AI API Reference.
1. `TransformOutput.S3OutputPath`: défini sur l'emplacement où la sortie d'inférence est stockée.
1. `TransformOutput.AssembleWith`: défini sur `None` pour générer chaque inférence sous forme d'objets distincts dans Amazon S3.
1. Choisissez **Créer un package d'algorithmes**.
SageMaker L'IA extrait l'image d'entraînement d'Amazon ECR, exécute une tâche d'entraînement de test en utilisant vos données et stocke les artefacts du modèle dans Amazon S3. Il extrait ensuite l'image d'inférence d'Amazon ECR, copie les artefacts d'Amazon S3 dans le conteneur d'inférence et exécute une tâche de transformation par lots en utilisant vos données de test à des fins d'inférence. Une fois la validation réussie, le statut passe à **Terminé**.
**Note**
L'étape de validation n'évalue pas la précision de l'entraînement ou du modèle à l'aide de vos données de test. L'étape de validation vérifie si les conteneurs fonctionnent et répondent comme prévu.
L'étape de validation valide uniquement le traitement par lots. C'est à vous de valider que le traitement en temps réel fonctionne avec votre produit.
Vous avez terminé de créer les ressources de votre produit algorithmique. Passez au [Mettre en vente votre produit dans AWS Marketplace](ml-publishing-your-product-in-aws-marketplace.md).