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.

# Invocation de votre point de terminaison
<a name="canvas-deploy-model-invoke"></a>

**Note**  
Nous vous recommandons de [tester le déploiement de votre modèle dans Amazon SageMaker Canvas](canvas-deploy-model-test.md) avant d'appeler un point de terminaison d' SageMaker IA par programmation.

Vous pouvez utiliser les modèles Amazon SageMaker Canvas que vous avez déployés sur un point de terminaison d' SageMaker IA en production avec vos applications. Appelez le point de terminaison par programmation de la même manière que vous appelez n'importe quel autre point de terminaison [en temps réel basé sur SageMaker l'IA](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html). L’invocation d’un point de terminaison par programmation renvoie un objet de réponse contenant les mêmes champs que ceux décrits dans [Test de votre déploiement](canvas-deploy-model-test.md).

Pour obtenir des informations plus détaillées sur la façon d’invoquer des points de terminaison par programmation, consultez [Invocation de modèles pour une inférence en temps réel](realtime-endpoints-test-endpoints.md).

Les exemples Python suivants vous montrent comment invoquer votre point de terminaison en fonction du type de modèle.

## JumpStart modèles de fondation
<a name="canvas-invoke-js-example"></a>

L'exemple suivant vous montre comment invoquer un modèle de JumpStart base que vous avez déployé sur un point de terminaison.

```
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"
)
```

## Modèles de prédiction numériques et catégoriels
<a name="canvas-invoke-tabular-example"></a>

L’exemple suivant montre comment invoquer des modèles de prédiction numériques ou catégoriels.

```
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"
)
```

## Modèles de prévision de séries temporelles
<a name="canvas-invoke-forecast-example"></a>

L’exemple suivant montre comment invoquer des modèles de prévision de séries temporelles. Pour un exemple complet de la manière de tester et d'invoquer un modèle de prévision de séries chronologiques, consultez la section Prévision de [séries chronologiques avec Amazon SageMaker Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb).

```
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"
)
```

## Modèles de prédiction d’image
<a name="canvas-invoke-cv-example"></a>

L’exemple suivant montre comment invoquer des modèles de prédiction d’image.

```
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"
    )
```

## Modèles de prédiction de texte
<a name="canvas-invoke-nlp-example"></a>

L’exemple suivant montre comment invoquer des modèles de prédiction de texte.

```
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"
)
```