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.
# MLOps
Après avoir créé un modèle dans SageMaker Canvas qui vous convient, vous souhaiterez peut-être intégrer votre modèle aux processus d'opérations d'apprentissage automatique (MLOps) de votre organisation. MLOps inclut des tâches courantes telles que le déploiement d'un modèle destiné à être utilisé en production ou la configuration de pipelines d'intégration continue et de déploiement continu (CI/CD).
Les rubriques suivantes expliquent comment exploiter les fonctionnalités de Canvas pour utiliser un modèle créé dans Canvas en production.
**Topics**
+ [Enregistrer une version de modèle dans le registre des modèles d' SageMaker IA](canvas-register-model.md)
+ [Déploiement de vos modèles sur un point de terminaison](canvas-deploy-model.md)
+ [Affichage de vos déploiements](canvas-deploy-model-view.md)
+ [Mise à jour d’une configuration de déploiement](canvas-deploy-model-update.md)
+ [Test de votre déploiement](canvas-deploy-model-test.md)
+ [Invocation de votre point de terminaison](canvas-deploy-model-invoke.md)
+ [Suppression d’un déploiement de modèle](canvas-deploy-model-delete.md)
# Enregistrer une version de modèle dans le registre des modèles d' SageMaker IA
Avec SageMaker Canvas, vous pouvez créer plusieurs itérations, ou versions, de votre modèle pour l'améliorer au fil du temps. Vous souhaiterez peut-être créer une nouvelle version de votre modèle si vous obtenez de meilleures données d'entraînement ou si vous souhaitez essayer d'améliorer la précision du modèle. Pour plus d'informations sur l'ajout de versions à votre modèle, consultez [Mise à jour d'un modèle](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html) (langue française non garantie).
Une fois que vous avez [créé un modèle](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) dans lequel vous êtes sûr, vous souhaiterez peut-être évaluer ses performances et le faire examiner par un data scientist ou un MLOps ingénieur de votre organisation avant de l'utiliser en production. Pour ce faire, vous pouvez enregistrer les versions de vos modèles dans le [registre des SageMaker modèles](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html). Le SageMaker Model Registry est un référentiel que les data scientists ou les ingénieurs peuvent utiliser pour cataloguer les modèles d'apprentissage automatique (ML) et gérer les versions des modèles et leurs métadonnées associées, telles que les métriques d'entraînement. Ils peuvent également gérer et journaliser le statut d’approbation d’un modèle.
Après avoir enregistré les versions de vos modèles dans le SageMaker Model Registry, un data scientist ou votre MLOps équipe peut accéder au SageMaker Model Registry via [SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html), un environnement de développement intégré (IDE) basé sur le Web permettant de travailler avec des modèles d'apprentissage automatique. Dans l'interface SageMaker Model Registry de Studio Classic, le data scientist ou l' MLOps équipe peut évaluer votre modèle et mettre à jour son statut d'approbation. Si le modèle ne répond pas à ses exigences, le data scientist ou l' MLOps équipe peut mettre à jour le statut à`Rejected`. Si le modèle répond à leurs exigences, le data scientist ou l' MLOps équipe peut mettre à jour le statut à`Approved`. Ils peuvent ensuite [déployer votre modèle sur un terminal ou [automatiser le déploiement du modèle](https://aws.amazon.com/blogs/machine-learning/building-automating-managing-and-scaling-ml-workflows-using-amazon-sagemaker-pipelines/) à](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html#deploy-model-prereqs) l'aide de CI/CD pipelines. Vous pouvez utiliser la fonctionnalité de registre des modèles d' SageMaker IA pour intégrer de manière transparente les modèles créés dans Canvas aux MLOps processus de votre organisation.
Le schéma suivant résume un exemple d'enregistrement d'une version de modèle intégrée dans Canvas dans le registre des SageMaker modèles pour intégration dans un MLOps flux de travail.
![\[Les étapes d'enregistrement d'une version de modèle intégrée à Canvas pour intégration dans un MLOps flux de travail.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/canvas-model-registration-diagram.jpg)
Vous pouvez enregistrer des versions de modèles sous forme de tableau, d'image et de texte dans le registre des SageMaker modèles. Cela inclut des modèles de prévision de séries chronologiques et des modèles de JumpStart base basés sur des [modèles de base affinés](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html).
**Note**
Actuellement, vous ne pouvez pas enregistrer dans le SageMaker Model Registry des modèles de base affinés basés sur Amazon Bedrock et intégrés dans Canvas.
Les sections suivantes vous montrent comment enregistrer une version de modèle dans le registre des SageMaker modèles à partir de Canvas.
## Gestion des autorisations
Par défaut, vous êtes autorisé à enregistrer les versions des modèles dans le registre des SageMaker modèles. SageMaker AI accorde ces autorisations à tous les profils utilisateur Canvas nouveaux et existants par le biais de la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)politique, qui est attachée au rôle d'exécution AWS IAM pour le domaine SageMaker AI qui héberge votre application Canvas.
Si votre administrateur Canvas configure un nouveau domaine ou un nouveau profil utilisateur, lorsqu'il configure le domaine et suit les instructions préalables du [guide de démarrage](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites), SageMaker AI active les autorisations d'enregistrement du modèle via l'option de **configuration des autorisations ML Ops**, qui est activée par défaut.
L’administrateur Canvas peut également gérer les autorisations d’enregistrement de modèle au niveau du profil utilisateur. Par exemple, si l'administrateur souhaite accorder des autorisations d'enregistrement de modèle à certains profils utilisateur, mais qu'il souhaite supprimer ces autorisations pour d'autres profils, il peut modifier les autorisations pour un utilisateur spécifique. La procédure suivante décrit comment désactiver les autorisations d’enregistrement de modèle pour un profil utilisateur spécifique :
1. Ouvrez la console SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dans le panneau de navigation de gauche, choisissez **Configurations d’administrateur**.
1. Sous **Configurations d’administrateur**, choisissez **Domaines**.
1. Dans la liste des domaines, sélectionnez le domaine du profil utilisateur.
1. Sur la page **Détails du domaine**, choisissez le **Profil utilisateur** dont vous souhaitez modifier les autorisations.
1. Sur la page **Détails de l’utilisateur**, choisissez **Modifier**.
1. Dans le panneau de navigation de gauche, choisissez **Paramètres de Canvas**.
1. Dans la section **Configuration des autorisations ML Ops**, désactivez le bouton à bascule **Activer les autorisations d'enregistrement dans le registre des modèles**.
1. Choisissez **Soumettre** pour enregistrer les modifications apportées à vos paramètres de domaine.
Le profil utilisateur ne devrait plus disposer d’autorisations d’enregistrement de modèle.
## Enregistrer une version de modèle dans le registre des modèles d' SageMaker IA
SageMaker Model Registry suit toutes les versions de modèles que vous créez pour résoudre un problème particulier dans un *groupe de modèles*. Lorsque vous créez un modèle SageMaker Canvas et que vous l'enregistrez dans le SageMaker Model Registry, il est ajouté à un groupe de modèles en tant que nouvelle version du modèle. Par exemple, si vous créez et enregistrez quatre versions de votre modèle, un data scientist ou une MLOps équipe travaillant dans l'interface SageMaker Model Registry peut consulter le groupe de modèles et passer en revue les quatre versions du modèle en un seul endroit.
Lors de l'enregistrement d'un modèle Canvas dans le SageMaker registre des modèles, un groupe de modèles est automatiquement créé et nommé d'après votre modèle Canvas. Vous pouvez éventuellement le renommer avec le nom de votre choix ou utiliser un groupe de modèles existant dans le registre des SageMaker modèles. Pour plus d'informations sur la création d'un groupe de modèles, consultez [Création d'un groupe de modèles](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html) (langue française non garantie).
**Note**
Actuellement, vous ne pouvez enregistrer les modèles créés dans Canvas dans le registre des SageMaker modèles que dans le même compte.
Pour enregistrer une version du SageMaker modèle dans le registre des modèles à partir de l'application Canvas, procédez comme suit :
1. Ouvrez l'application SageMaker Canvas.
1. Dans le panneau de navigation de gauche, choisissez **Mes modèles**.
1. Sur la page **Mes modèles**, choisissez votre modèle. Vous pouvez **Filtrer par type de problème** pour trouver plus facilement votre modèle.
1. Après avoir choisi votre modèle, la page **Versions** s'ouvre. Elle répertorie toutes les versions de votre modèle. Vous pouvez activer le bouton à bascule **Afficher les métriques avancées** pour visualiser les métriques avancées, telles que **Rappel** et **Précision**, afin de comparer les versions de votre modèle et de déterminer celle que vous souhaitez enregistrer.
1. Dans la liste des versions de modèle, pour la version que vous souhaitez enregistrer, choisissez l'icône **Plus d'options** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)). Vous pouvez également double-cliquer sur la version que vous devez enregistrer, puis sur la page des détails de la version, cliquer sur l'icône **Plus d'options** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dans la liste déroulante, choisissez **Ajouter au registre des modèles**. La boîte de dialogue **Ajouter au registre des modèles** s'ouvre.
1. Dans la boîte de dialogue **Ajouter au registre des modèles**, procédez comme suit :
1. (Facultatif) Dans la section **Groupe de modèles SageMaker Studio Classic**, dans le champ **Nom du groupe** de modèles, entrez le nom du groupe de modèles dans lequel vous souhaitez enregistrer votre version. Vous pouvez spécifier le nom d'un nouveau groupe de modèles que l' SageMaker IA crée pour vous, ou vous pouvez spécifier un groupe de modèles existant. Si vous ne renseignez pas ce champ, Canvas enregistre votre version dans un groupe de modèles par défaut portant le même nom que votre modèle.
1. Choisissez **Ajouter**.
La version de votre modèle doit maintenant être enregistrée dans le groupe de modèles dans le registre des SageMaker modèles. Lorsque vous enregistrez une version de modèle dans un groupe de modèles dans le registre des SageMaker modèles, toutes les versions suivantes du modèle Canvas sont enregistrées dans le même groupe de modèles (si vous choisissez de les enregistrer). Si vous enregistrez vos versions dans un autre groupe de modèles, vous devez accéder au registre des SageMaker modèles et [supprimer le groupe de modèles](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html). Vous pouvez ensuite réenregistrer les versions de modèle dans le nouveau groupe de modèles.
Pour consulter le statut de vos modèles, vous pouvez revenir à la page **Versions** de votre modèle dans l'application Canvas. Cette page indique le statut du **Registre des modèles** de chaque version. Si le statut indique `Registered`, cela signifie que le modèle a été enregistré avec succès.
Si vous souhaitez consulter les détails de la version de modèle enregistrée, au niveau du statut du **Registre des modèles**, vous pouvez survoler le champ **Enregistré** pour afficher la zone contextuelle **Détails du registre des modèles**. Ces détails contiennent les informations supplémentaires suivantes :
+ Le **nom du groupe de packages** de modèles est le groupe de modèles dans lequel votre version est enregistrée dans le registre des SageMaker modèles.
+ Le **Statut d’approbation**, qui peut être `Pending Approval`, `Approved` ou `Rejected`. Si un utilisateur de Studio Classic approuve ou rejette votre version dans le SageMaker Model Registry, ce statut est mis à jour sur la page des versions de votre modèle lorsque vous actualisez la page.
La capture d’écran suivante illustre la zone **Détails du registre de modèles** ainsi que le **Statut d’approbation** `Approved` pour cette version de modèle particulière.
![\[Capture d'écran de la zone de détails du SageMaker Model Registry dans l'application Canvas.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/approved-mr.png)
# Déploiement de vos modèles sur un point de terminaison
Dans Amazon SageMaker Canvas, vous pouvez déployer vos modèles sur un point de terminaison pour établir des prédictions. SageMaker L'IA fournit l'infrastructure ML qui vous permet d'héberger votre modèle sur un point de terminaison avec les instances de calcul de votre choix. Vous pouvez ensuite *invoquer* le point de terminaison (envoyer une demande de prédiction) et obtenir une prédiction en temps réel à partir de votre modèle. Grâce à cette fonctionnalité, vous pouvez utiliser votre modèle en production pour répondre aux demandes entrantes, et vous pouvez intégrer votre modèle à des applications et à des flux de travail existants.
Pour commencer, vous devez disposer d’un modèle que vous souhaitez déployer. Vous pouvez déployer des versions de modèles personnalisés que vous avez créées, des modèles de SageMaker JumpStart base Amazon et des modèles de JumpStart base affinés. Pour plus d’informations sur la génération d’un modèle dans Canvas, consultez [Fonctionnement des modèles personnalisés](canvas-build-model.md). Pour plus d'informations sur les modèles de JumpStart base dans Canvas, consultez[Modèles de base d'IA générative dans SageMaker Canvas](canvas-fm-chat.md).
Passez en revue la section **Gestion des autorisations** suivante, puis commencez à créer de nouveaux déploiements dans la section **Déployer un modèle**.
## Gestion des autorisations
Par défaut, vous êtes autorisé à déployer des modèles sur les points de terminaison SageMaker AI Hosting. SageMaker AI accorde ces autorisations à tous les profils utilisateur Canvas nouveaux et existants par le biais de la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)politique, qui est attachée au rôle d'exécution AWS IAM pour le domaine SageMaker AI qui héberge votre application Canvas.
Si votre administrateur Canvas configure un nouveau domaine ou un nouveau profil utilisateur, lorsqu'il configure le domaine et suit les instructions préalables du[Conditions préalables à la configuration d'Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites), SageMaker AI active les autorisations de déploiement des modèles via l'option **Activer le déploiement direct des modèles Canvas**, qui est activée par défaut.
L’administrateur Canvas peut également gérer les autorisations de déploiement de modèle au niveau du profil utilisateur. Par exemple, si l’administrateur ne souhaite pas accorder d’autorisations de déploiement de modèle à tous les profils utilisateur lors de la configuration d’un domaine, il peut accorder des autorisations à des utilisateurs spécifiques après avoir créé le domaine.
La procédure suivante décrit comment modifier les autorisations de déploiement de modèle pour un profil utilisateur spécifique :
1. Ouvrez la console SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dans le panneau de navigation de gauche, choisissez **Configurations d’administrateur**.
1. Sous **Configurations d'administrateur**, choisissez **Domaines**.
1. Dans la liste des domaines, sélectionnez le domaine du profil utilisateur.
1. Sur la page **Détails du domaine**, sélectionnez l’onglet **Profils utilisateur**.
1. Choisissez votre **Profil utilisateur**.
1. Sur la page du profil utilisateur, sélectionnez l’onglet **Configurations des applications**.
1. Dans la section **Canvas**, choisissez **Modifier**.
1. Dans la section **Configuration de ML Ops**, activez le bouton **Activer le déploiement direct des modèles Canvas** pour activer les autorisations de déploiement.
1. Choisissez **Soumettre** pour enregistrer les modifications apportées à vos paramètres de domaine.
Le profil utilisateur devrait maintenant disposer d’autorisations de déploiement de modèle.
Après avoir accordé des autorisations au domaine ou au profil utilisateur, assurez-vous que l’utilisateur se déconnecte de son application Canvas et se reconnecte pour appliquer les modifications d’autorisations.
## Déployer un modèle
Pour commencer à déployer votre modèle, vous créez un nouveau déploiement dans Canvas et vous spécifiez la version du modèle que vous souhaitez déployer avec l’infrastructure ML, comme le type et le nombre d’instances de calcul que vous souhaitez utiliser pour héberger le modèle.
Canvas suggère un type et un nombre d'instances par défaut en fonction de votre type de modèle. Vous pouvez également en savoir plus sur les différents types d'instances d' SageMaker IA sur la [page de SageMaker tarification d'Amazon](https://aws.amazon.com/sagemaker/pricing/). Vous êtes facturé en fonction de la tarification de l'instance SageMaker AI lorsque votre point de terminaison est actif.
Lorsque vous déployez des modèles de JumpStart base, vous avez également la possibilité de spécifier la durée du déploiement. Vous pouvez déployer le modèle sur un point de terminaison indéfiniment (ce qui signifie que le point de terminaison est actif jusqu’à ce que vous supprimiez le déploiement). Ou, si vous n'avez besoin du point de terminaison que pendant une courte période et que vous souhaitez réduire les coûts, vous pouvez déployer le modèle sur un point de terminaison pendant une durée spécifiée, après quoi l' SageMaker IA arrête le point de terminaison pour vous.
**Note**
Si vous déployez un modèle pendant une durée spécifiée, restez connecté à l’application Canvas pendant toute la durée du point de terminaison. Si vous vous déconnectez de l’application ou si vous la supprimez, Canvas ne pourra pas arrêter le point de terminaison à l’heure spécifiée.
Une fois votre modèle déployé sur un point de [terminaison d'inférence en temps réel](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) d' SageMaker AI Hosting, vous pouvez commencer à faire des prédictions en *invoquant* le point de terminaison.
Il existe plusieurs manières de déployer un modèle à partir de l’application Canvas. Vous pouvez accéder à l’option de déploiement du modèle via l’une des méthodes suivantes :
+ Sur la page **Mes modèles** de l’application Canvas, choisissez le modèle que vous souhaitez déployer. Ensuite, sur la page **Versions** du modèle, choisissez l’icône **Plus d’options** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) à côté de la version du modèle et sélectionnez **Déployer**.
+ Sur la page de détails d’une version de modèle, dans l’onglet **Analyser**, choisissez l’option **Déployer**.
+ Sur la page de détails d’une version de modèle, dans l’onglet **Prédire**, choisissez l’icône **Plus d’options** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) en haut de la page et sélectionnez **Déployer**.
+ Sur la page **ML Ops** de l’application Canvas, choisissez l’onglet **Déploiements**, puis choisissez **Créer un déploiement**.
+ Pour les modèles de JumpStart fondation et les modèles de base affinés, rendez-vous sur la page **Ready-to-use des modèles** de l'application Canvas. Choisissez **Générer, extraire et résumer du contenu**. Recherchez ensuite le modèle de JumpStart base ou le modèle de base affiné que vous souhaitez déployer. Choisissez le modèle, puis sur la page de discussion du modèle, choisissez le bouton **Déployer**.
Toutes ces méthodes ouvrent le panneau latéral **Déployer le modèle**, dans lequel vous spécifiez la configuration de déploiement de votre modèle. Pour déployer le modèle depuis ce panneau, procédez comme suit :
1. (Facultatif) Si vous créez un déploiement à partir de la page **ML Ops**, vous aurez la possibilité de **sélectionner le modèle et la version**. Utilisez les menus déroulants pour sélectionner le modèle et la version du modèle que vous souhaitez déployer.
1. Saisissez un nom dans le champ **Nom du déploiement**.
1. (Pour les modèles de JumpStart base et les modèles de base affinés uniquement) Choisissez une **durée de déploiement**. Sélectionnez **Indéfini** pour laisser le point de terminaison actif jusqu’à ce que vous l’arrêtiez, ou sélectionnez **Spécifier la durée**, puis entrez la période pendant laquelle vous souhaitez que le point de terminaison reste actif.
1. Pour le **type d'instance**, SageMaker AI détecte un type et un numéro d'instance par défaut adaptés à votre modèle. Vous pouvez toutefois modifier le type d’instance que vous souhaitez utiliser pour héberger votre modèle.
**Note**
Si le quota d'instance pour le type d'instance choisi sur votre AWS compte est dépassé, vous pouvez demander une augmentation du quota. Pour plus d'informations sur les quotas par défaut et sur la manière de demander une augmentation, consultez la section [Points de terminaison et quotas Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html) dans le *guide de référence AWS général*.
1. Pour le **nombre d'instances**, vous pouvez définir le nombre d'instances actives utilisées pour votre point de terminaison. SageMaker L'IA détecte un numéro par défaut adapté à votre modèle, mais vous pouvez le modifier.
1. Lorsque vous êtes prêt à déployer votre modèle, choisissez **Déployer**.
Votre modèle doit maintenant être déployé sur un point de terminaison.
# Affichage de vos déploiements
Vous souhaiterez peut-être vérifier le statut ou les détails du déploiement d'un modèle dans Amazon SageMaker Canvas. Par exemple, si votre déploiement a échoué, vous pouvez en vérifier les détails pour résoudre le problème.
Vous pouvez consulter vos déploiements de modèles Canvas depuis l'application Canvas ou depuis la console Amazon SageMaker AI.
Pour afficher les détails du déploiement à partir de Canvas, choisissez l’une des procédures suivantes :
Pour consulter les détails de votre déploiement sur la page **ML Ops**, procédez comme suit :
1. Ouvrez l'application SageMaker Canvas.
1. Dans le volet de navigation de gauche, choisissez **ML Ops**.
1. Choisissez l’onglet **Déploiements**.
1. Choisissez le nom de votre déploiement dans la liste.
Pour consulter les détails de votre déploiement sur la page d’une version du modèle, procédez comme suit :
1. Dans l'application SageMaker Canvas, accédez à la page de détails de la version de votre modèle.
1. Choisissez l’onglet **Déployer**.
1. Dans la section **Déploiements** qui répertorie toutes les configurations de déploiement associées à cette version de modèle, recherchez votre déploiement.
1. Choisissez l’icône **Plus d’options** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puis sélectionnez **Afficher les détails** pour ouvrir la page de détails.
La page de détails de votre déploiement s’ouvre et vous pouvez visualiser des informations telles que l’heure de la dernière prédiction, le statut et la configuration du point de terminaison, ainsi que la version du modèle actuellement déployée sur le point de terminaison.
Vous pouvez également consulter vos instances d'espace de travail Canvas actuellement actives et vos points de terminaison actifs depuis le tableau de **bord SageMaker AI de** la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/). Vos points de terminaison Canvas sont répertoriés à côté de tous les autres points de terminaison d'hébergement SageMaker AI que vous avez créés, et vous pouvez les filtrer en recherchant des points de terminaison à l'aide de la balise Canvas.
La capture d'écran suivante montre le tableau de bord de l' SageMaker IA. Dans la section **Canvas**, vous pouvez voir qu’une instance d’espace de travail unique est en service et que quatre points de terminaison sont actifs.
![\[Capture d'écran du tableau de bord SageMaker AI montrant les instances et les points de terminaison actifs de l'espace de travail Canvas.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/canvas-sagemaker-dashboard.png)
# Mise à jour d’une configuration de déploiement
Vous pouvez mettre à jour la configuration de déploiement des modèles que vous avez déployés sur des points de terminaison dans Amazon SageMaker Canvas. Par exemple, vous pouvez déployer une version de modèle mise à jour sur le point de terminaison, ou vous pouvez mettre à jour le type d’instance ou le nombre d’instances à l’arrière du point de terminaison en fonction de vos besoins en capacité.
Il existe plusieurs manières de mettre à jour votre déploiement à partir de l’application Canvas. Vous pouvez utiliser l’une des méthodes suivantes :
+ Sur la page **ML Ops** de l’application Canvas, vous pouvez choisir l’onglet **Déploiements** et sélectionner le déploiement que vous souhaitez mettre à jour. Ensuite, choisissez **Mettre à jour la configuration**.
+ Sur la page de détails d’une version de modèle, dans l’onglet **Déployer**, vous pouvez visualiser les déploiements pour cette version. À côté du déploiement, choisissez l’icône **Plus d’options** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puis choisissez **Mettre à jour la configuration**.
Les deux méthodes précédentes ouvrent le panneau latéral **Mettre à jour la configuration**, dans lequel vous pouvez apporter des modifications à votre configuration de déploiement. Pour mettre à jour la configuration, procédez comme suit :
1. Dans le menu déroulant **Sélectionner une version**, vous pouvez sélectionner une version de modèle différente à déployer sur le point de terminaison.
**Note**
Lorsque vous mettez à jour une configuration de déploiement, vous ne pouvez choisir qu’une version de modèle différente à déployer. Pour déployer un modèle différent, créez un nouveau déploiement.
1. Pour **Type d’instance**, vous pouvez sélectionner un autre type d’instance pour héberger votre modèle.
1. Pour **Nombre d’instances**, vous pouvez modifier le nombre d’instances actives utilisées pour votre point de terminaison.
1. Choisissez **Enregistrer**.
Votre configuration de déploiement devrait maintenant être à jour.
# Test de votre déploiement
Vous pouvez tester le déploiement d'un modèle en invoquant le point de terminaison ou en effectuant des demandes de prédiction uniques via l'application Amazon SageMaker Canvas. Vous pouvez utiliser cette fonctionnalité pour vérifier que votre point de terminaison répond aux demandes avant que vous l’invoquiez par programmation dans un environnement de production.
## Test d’un déploiement de modèle personnalisé
Vous pouvez tester un déploiement de modèle personnalisé en y accédant via la page **ML Ops** et en effectuant une invocation unique, qui renvoie une prédiction ainsi que la probabilité que la prédiction soit correcte.
**Note**
La durée d’exécution est une estimation du temps nécessaire pour invoquer et obtenir une réponse du point de terminaison dans Canvas. Pour des mesures de latence détaillées, consultez [SageMaker AI Endpoint Invocation Metrics](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-endpoint-invocation).
Pour tester votre point de terminaison via l’application Canvas, procédez comme suit :
1. Ouvrez l'application SageMaker Canvas.
1. Dans le panneau de navigation de gauche, choisissez **ML Ops**.
1. Choisissez l’onglet **Déploiements**.
1. Dans la liste des déploiements, choisissez celui avec le point de terminaison que vous voulez invoquer.
1. Sur la page de détails du déploiement, choisissez l’onglet **Tester le déploiement**.
1. Sur la page de test de déploiement, vous pouvez modifier les champs **Valeur** pour spécifier un nouveau point de données. Pour les modèles de prévision de séries temporelles, vous spécifiez l’**ID d’élément** pour lequel vous souhaitez effectuer une prévision.
1. Après avoir modifié les valeurs, choisissez **Mettre à jour** pour obtenir le résultat de la prédiction.
La prédiction se charge, ainsi que les champs **Résultat de l’invocation** qui indiquent si l’invocation a réussi ou non et combien de temps il a fallu pour traiter la demande.
La capture d’écran suivante montre une prédiction effectuée dans l’application Canvas, dans l’onglet **Tester le déploiement**.
![\[L’application Canvas affichant une prédiction de test pour un modèle déployé.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/canvas-test-deployments.png)
Pour tous les types de modèles, à l’exception des prédictions numériques et des prévisions de séries temporelles, la prédiction renvoie les champs suivants :
+ **predicted\$1label** : la sortie prédite
+ **probability** : la probabilité que l’étiquette prédite soit correcte
+ **labels** : la liste de toutes les étiquettes possibles
+ **probabilities** : les probabilités correspondant à chaque étiquette (l’ordre de cette liste correspond à l’ordre des étiquettes)
Pour les modèles de prédiction numériques, la prédiction contient uniquement le champ **score**, qui est la sortie prédite du modèle, tel que le prix prédit d’une maison.
Pour les modèles de prévision par séries temporelles, la prédiction est un graphique présentant les prévisions par quantile. Vous pouvez choisir **Vue Schéma** pour voir les valeurs numériques prévues pour chaque quantile.
Vous pouvez continuer à faire des prédictions uniques via la page de test de déploiement, ou vous pouvez consulter la section suivante [Invocation de votre point de terminaison](canvas-deploy-model-invoke.md) pour découvrir comment invoquer votre point de terminaison par programmation à partir d’applications.
## Tester le déploiement d'un modèle de JumpStart base
Vous pouvez discuter avec un modèle de JumpStart base déployé via l'application Canvas pour tester ses fonctionnalités avant de l'invoquer via le code.
Pour discuter avec un modèle de JumpStart base déployé, procédez comme suit :
1. Ouvrez l'application SageMaker Canvas.
1. Dans le panneau de navigation de gauche, choisissez **ML Ops**.
1. Choisissez l’onglet **Déploiements**.
1. Dans la liste des déploiements, recherchez celui que vous souhaitez invoquer et choisissez son icône **Plus d’options** (![\[More options icon for a model deployment.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dans le menu contextuel, choisissez **Tester le déploiement**.
1. Un nouveau chat de **génération, d'extraction et de synthèse de contenu** s'ouvre avec le modèle de JumpStart base, et vous pouvez commencer à taper des instructions. Notez que les instructions issues de ce chat sont envoyées sous forme de demandes à votre point de terminaison SageMaker AI Hosting.
# Invocation de votre point de terminaison
**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
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
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
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
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
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"
)
```
# Suppression d’un déploiement de modèle
Vous pouvez supprimer vos déploiements de modèles depuis l'application Amazon SageMaker Canvas. Cette action supprime également le point de terminaison de la console SageMaker AI et arrête toutes les ressources liées au point de terminaison.
**Note**
Vous pouvez éventuellement supprimer votre point de terminaison via la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/) ou à l'aide de l'`DeleteEndpoint`API SageMaker AI. Pour de plus amples informations, veuillez consulter [Supprimer les points de terminaison et les ressources](realtime-endpoints-delete-resources.md). Toutefois, lorsque vous supprimez le point de terminaison via la console SageMaker AI ou à la APIs place de l'application Canvas, la liste des déploiements dans Canvas n'est pas automatiquement mise à jour. Vous devez également supprimer le déploiement de l’application Canvas pour le supprimer de la liste.
Pour supprimer un déploiement dans Canvas, procédez comme suit :
1. Ouvrez l'application SageMaker Canvas.
1. Dans le panneau de navigation de gauche, choisissez **ML Ops**.
1. Choisissez l’onglet **Déploiements**.
1. Dans la liste des déploiements, choisissez celui que vous souhaitez supprimer.
1. En haut de la page des détails du déploiement, choisissez l’icône **Plus d’options** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Choisissez **Supprimer le déploiement**.
1. Dans la boîte de dialogue **Supprimer le déploiement**, choisissez **Supprimer**.
Votre point de terminaison de déploiement et d'hébergement SageMaker AI doit désormais être supprimé de Canvas et de la console SageMaker AI.