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.
# Utilisation des ressources d’algorithme et de package de modèle
Vous pouvez créer des algorithmes et des packages de modèles comme ressources dans votre compte Amazon SageMaker AI. Vous pouvez aussi rechercher des algorithmes et des packages de modèles et vous y abonner sur AWS Marketplace.
Utilisez les algorithmes pour accomplir ce qui suit :
+ Exécuter des tâches d’entraînement. Pour plus d’informations, consultez [Utilisation d’un algorithme pour exécuter une tâche d’entraînement](sagemaker-mkt-algo-train.md).
+ Exécuter des tâches de réglage d’hyperparamètre. Pour plus d’informations, consultez [Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre](sagemaker-mkt-algo-tune.md).
+ Créer des packages de modèle. Si vous avez utilisé une ressource d’algorithme afin d’exécuter une tâche d’entraînement ou une tâche de réglage d’hyperparamètre, vous pouvez utiliser les artefacts de modèles générés par ces tâches avec l’algorithme pour créer un package de modèle. Pour plus d’informations, consultez [Création d’une ressource de package de modèle](sagemaker-mkt-create-model-package.md).
**Note**
Si vous vous abonnez à un algorithme sur AWS Marketplace, vous devez créer un package de modèle que vous utiliserez pour obtenir des inférences en configurant un point de terminaison hébergé ou en exécutant une tâche de transformation par lots.
![\[flux de travail d’acheteur du marché.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
Utilisez les packages de modèle pour accomplir ce qui suit :
+ Créer des modèles que vous pouvez utiliser pour obtenir l’inférence en temps réel ou pour exécuter des tâches de transformation par lots. Pour plus d’informations, consultez [Utilisation d’un package de modèle pour créer un modèle](sagemaker-mkt-model-pkg-model.md).
+ Créer des points de terminaison hébergés afin d’obtenir l’inférence en temps réel. Pour plus d’informations, consultez [Déployer le modèle sur les services d'hébergement SageMaker AI](ex1-model-deployment.md#ex1-deploy-model).
+ Créer des tâches de transformation par lots. Pour plus d’informations, consultez [(Facultatif) Faire une prédiction avec la transformation par lots](ex1-model-deployment.md#ex1-batch-transform).
**Topics**
+ [Utilisation d’un algorithme pour exécuter une tâche d’entraînement](sagemaker-mkt-algo-train.md)
+ [Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre](sagemaker-mkt-algo-tune.md)
+ [Utilisation d’un package de modèle pour créer un modèle](sagemaker-mkt-model-pkg-model.md)
# Utilisation d’un algorithme pour exécuter une tâche d’entraînement
Vous pouvez créer une ressource d'algorithme pour créer une tâche de formation à l'aide de la console Amazon SageMaker AI, de l' SageMaker API Amazon de bas niveau ou du [SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Note**
Votre rôle d'exécution doit être `sagemaker:DescribeAlgorithm` autorisé à accéder à la ressource d'algorithme que vous spécifiez. Pour plus d'informations sur les autorisations des rôles d'exécution, consultez[CreateTrainingJob API : autorisations relatives aux rôles d'exécution](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Utilisation d’un algorithme pour exécuter une tâche d’entraînement (console)](#sagemaker-mkt-algo-train-console)
+ [Utilisation d’un algorithme pour exécuter une tâche d’entraînement (API)](#sagemaker-mkt-algo-train-api)
+ [Utiliser un algorithme pour exécuter une tâche de formation ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-train-sdk)
## Utilisation d’un algorithme pour exécuter une tâche d’entraînement (console)
**Pour utiliser un algorithme afin d’exécuter une tâche d’entraînement (console)**
1. Ouvrez la console SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Choisissez **Algorithmes**.
1. Choisissez un algorithme que vous avez créé dans la liste de l’onglet **Mes algorithmes** ou choisissez un algorithme auquel vous vous êtes abonné sur l’onglet des **abonnements AWS Marketplace **.
1. Choisissez **Créer une tâche d’entraînement**.
L’algorithme que vous avez choisi sera automatiquement sélectionné.
1. Sur la page **Créer une tâche d’entraînement**, fournissez les informations suivantes :
1. Sous **Nom de la tâche**, nommez la tâche d’entraînement.
1. Pour le **rôle IAM**, choisissez un rôle IAM disposant des autorisations requises pour exécuter des tâches de formation dans SageMaker AI, ou choisissez **Créer un nouveau rôle** pour permettre à SageMaker AI de créer un rôle auquel la politique `AmazonSageMakerFullAccess` gérée est attachée. Pour plus d'informations, consultez [Comment utiliser les rôles d'exécution de l' SageMaker IA](sagemaker-roles.md).
1. Sous **Configuration des ressources**, fournissez les informations suivantes :
1. Sous **Type d’instance**, choisissez le type d’instance à utiliser pour l’entraînement.
1. Sous **Nombre d’instances**, saisissez le nombre d’instances ML à utiliser pour la tâche d’entraînement.
1. Sous **Taille du volume par instance (Go)**, entrez la taille du volume de stockage ML que vous souhaitez allouer. Les volumes de stockage ML stockent les artefacts de modèles et les états incrémentiels.
1. Pour la **clé de chiffrement**, si vous souhaitez qu'Amazon SageMaker AI utilise une AWS clé du service de gestion des clés pour chiffrer les données du volume de stockage ML attaché à l'instance de formation, spécifiez la clé.
1. Sous **Condition d’arrêt**, spécifiez la durée maximale, en secondes, en minutes, en heures ou en jours, pendant laquelle doit s’exécuter la tâche d’entraînement.
1. Sous **VPC**, choisissez un Amazon VPC auquel votre conteneur d’entraînement pourra accéder. Pour de plus amples informations, veuillez consulter [Donnez aux SageMaker professionnels de formation en IA l'accès aux ressources de votre Amazon VPC](train-vpc.md).
1. Sous **Hyperparamètres**, spécifiez les valeurs des hyperparamètres à utiliser pour la tâche d’entraînement.
1. Sous **Configuration des données d’entrée**, spécifiez les valeurs suivantes pour chaque canal de données d’entrée à utiliser pour la tâche d’entraînement. Les canaux pris en charge par l’algorithme que vous utilisez pour le support d’entraînement, le type de contenu, le type de compression pris en charge et les modes d’entrée pris en charge pour chaque canal sont visibles sous la section **Spécification de canal** de la page **Récapitulatif d’algorithme** de l’algorithme.
1. Dans le champ **Nom du canal**, saisissez le nom du canal d’entrée.
1. Sous **Type de contenu**, saisissez le type de contenu des données attendu par l’algorithme pour le canal.
1. Sous **Type de compression**, choisissez le type de compression des données à utiliser, le cas échéant.
1. Sous **Habillage des enregistrements**, choisissez `RecordIO` si l’algorithme attend des données au format `RecordIO`.
1. Sous **Type de données S3**, **Type de distribution de données S3** et **Emplacement S3**, spécifiez les valeurs appropriées. Pour obtenir des informations sur la signification de ces valeurs, consultez [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Sous **Mode d’entrée**, choisissez **Fichier** afin de télécharger les données depuis le volume de stockage ML alloué et montez le répertoire dans un volume Docker. Choisissez **Tube** pour diffuser directement les données d’Amazon S3 vers le conteneur.
1. Pour ajouter un autre canal d’entrée, choisissez **Ajouter canal**. Si vous avez terminé d’ajouter des canaux d’entrée, choisissez **Terminé**.
1. Sous l’emplacement **Sortie**, spécifiez les valeurs suivantes :
1. Sous **Chemin de sortie S3**, choisissez l’emplacement S3 où la tâche d’entraînement stocke la sortie, tels les artefacts de modèles.
**Note**
Vous utilisez les artefacts de modèles stockés à cet emplacement pour créer un modèle ou un package de modèle à partir de cette tâche d’entraînement.
1. Pour la **clé de chiffrement**, si vous souhaitez que l' SageMaker IA utilise une AWS KMS clé pour chiffrer les données de sortie au repos dans l'emplacement S3.
1. Sous **Balises**, spécifiez une ou plusieurs balises permettant de gérer la tâche d’entraînement. Chaque balise est constituée d'une clé et d'une valeur facultative. Les clés de balise doivent être uniques à chaque ressource.
1. Choisissez **Créer une tâche d’entraînement** afin d’exécuter la tâche d’entraînement.
## Utilisation d’un algorithme pour exécuter une tâche d’entraînement (API)
Pour utiliser un algorithme afin d'exécuter une tâche de formation à l'aide de l' SageMaker API, spécifiez le nom ou l'Amazon Resource Name (ARN) comme `AlgorithmName` champ de l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objet auquel vous passez [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html). Pour plus d'informations sur les modèles de formation en SageMaker IA, consultez[Entraînez un modèle avec Amazon SageMaker](how-it-works-training.md).
## Utiliser un algorithme pour exécuter une tâche de formation ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Utilisez un algorithme que vous avez créé ou auquel vous vous êtes abonné AWS Marketplace pour créer une tâche de formation, créer un `AlgorithmEstimator` objet et spécifier le nom de la ressource Amazon (ARN) ou le nom de l'algorithme comme valeur de l'`algorithm_arn`argument. Appelez ensuite la méthode `fit` de l’évaluateur. Par exemple :
```
from sagemaker import AlgorithmEstimator
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.fit({'training': train_input})
```
# Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre
La section suivante explique comment utiliser une ressource d'algorithme pour exécuter une tâche de réglage d'hyperparamètres dans Amazon SageMaker AI. Une tâche de réglage d’hyperparamètre détecte la meilleure version d’un modèle en exécutant plusieurs tâches d’entraînement sur votre jeu de données à l’aide de l’algorithme et des plages d’hyperparamètres que vous spécifiez. Elle choisit ensuite les valeurs d’hyperparamètres qui génèrent un modèle avec des performances optimales, telles qu’elles sont mesurées par une métrique que vous choisissez. Pour de plus amples informations, veuillez consulter [Réglage automatique du modèle grâce à l' SageMaker IA](automatic-model-tuning.md).
Vous pouvez créer une ressource d'algorithme pour créer une tâche de réglage d'hyperparamètres à l'aide de la console Amazon SageMaker AI, de l' SageMaker API Amazon de bas niveau ou du SDK Amazon [ SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre (console)](#sagemaker-mkt-algo-tune-console)
+ [Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre (API)](#sagemaker-mkt-algo-tune-api)
+ [Utiliser un algorithme pour exécuter une tâche de réglage d'hyperparamètres ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre (console)
**Pour utiliser un algorithme afin d’exécuter une tâche de réglage d’hyperparamètre (console)**
1. Ouvrez la console SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Choisissez **Algorithmes**.
1. Choisissez un algorithme que vous avez créé dans la liste de l’onglet **Mes algorithmes** ou choisissez un algorithme auquel vous vous êtes abonné sur l’onglet des **abonnements AWS Marketplace **.
1. Choisissez **Créer une tâche de réglage d’hyperparamètre**.
L’algorithme que vous avez choisi sera automatiquement sélectionné.
1. Sur la page **Créer une tâche de réglage d’hyperparamètre**, fournissez les informations suivantes :
1. Sous **Démarrage à chaud**, choisissez **Activer le démarrage à chaud** afin d’utiliser les informations issues des tâches de réglage d’hyperparamètre précédentes comme point de départ pour cette tâche de réglage d’hyperparamètre. Pour de plus amples informations, veuillez consulter [Exécution d'une tâche de réglage des hyperparamètres avec démarrage à chaud](automatic-model-tuning-warm-start.md).
1. Choisissez **Algorithme et données identiques** si les données d’entrée sont identiques aux données d’entrée des tâches parentes de cette tâche de réglage d’hyperparamètre ou choisissez **Apprentissage par transfert** afin d’utiliser des données d’entrée supplémentaires ou différentes pour cette tâche de réglage d’hyperparamètre.
1. Sous **Tâche(s) de réglage d’hyperparamètre parente(s)**, choisissez jusqu’à cinq tâches de réglage d’hyperparamètre à utiliser comme parentes de cette tâche de réglage d’hyperparamètre.
1. Sous **Nom de tâche de réglage d’hyperparamètre**, saisissez un nom pour la tâche de réglage.
1. Pour le **rôle IAM**, choisissez un rôle IAM disposant des autorisations requises pour exécuter des tâches de réglage d'hyperparamètres dans SageMaker AI, ou choisissez **Create a new role** pour permettre à SageMaker AI de créer un rôle auquel la politique `AmazonSageMakerFullAccess` gérée est attachée. Pour plus d'informations, consultez [Comment utiliser les rôles d'exécution de l' SageMaker IA](sagemaker-roles.md).
1. Sous **VPC**, choisissez un Amazon VPC auquel les tâches d’entraînement lancées par la tâche de réglage pourront accéder. Pour de plus amples informations, veuillez consulter [Donnez aux SageMaker professionnels de formation en IA l'accès aux ressources de votre Amazon VPC](train-vpc.md).
1. Choisissez **Suivant**.
1. Sous **Métrique d’objectif**, choisissez la métrique que la tâche de réglage d’hyperparamètre utilise pour déterminer la meilleure combinaison des hyperparamètres, puis choisissez de réduire ou d’agrandir cette métrique. Pour de plus amples informations, veuillez consulter [Affichage de la meilleure tâche d'entraînement](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Sous **Configuration d’hyperparamètre**, choisissez les plages correspondant aux hyperparamètres réglables que la tâche de réglage doit rechercher, puis définissez les valeurs statiques des hyperparamètres qui doivent rester constantes dans toutes les tâches d’entraînement lancées par la tâche de réglage d’hyperparamètre. Pour de plus amples informations, veuillez consulter [Définition des plages d'hyperparamètres](automatic-model-tuning-define-ranges.md).
1. Choisissez **Suivant**.
1. Sous **Configuration des données d’entrée**, spécifiez les valeurs suivantes pour chaque canal de données d’entrée à utiliser pour la tâche de réglage d’hyperparamètre. Les canaux pris en charge par l’algorithme que vous utilisez pour le réglage des hyperparamètres, le type de contenu, le type de compression pris en charge et les modes d’entrée pris en charge pour chaque canal sont visibles sous la section **Spécification de canal** de la page **Récapitulatif d’algorithme** de l’algorithme.
1. Dans le champ **Nom du canal**, saisissez le nom du canal d’entrée.
1. Sous **Type de contenu**, saisissez le type de contenu des données attendu par l’algorithme pour le canal.
1. Sous **Type de compression**, choisissez le type de compression des données à utiliser, le cas échéant.
1. Sous **Habillage des enregistrements**, choisissez `RecordIO` si l’algorithme attend des données au format `RecordIO`.
1. Sous **Type de données S3**, **Type de distribution de données S3** et **Emplacement S3**, spécifiez les valeurs appropriées. Pour obtenir des informations sur la signification de ces valeurs, consultez [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Sous **Mode d’entrée**, choisissez **Fichier** afin de télécharger les données depuis le volume de stockage ML alloué et montez le répertoire dans un volume Docker. Choisissez **Tube** pour diffuser directement les données d’Amazon S3 vers le conteneur.
1. Pour ajouter un autre canal d’entrée, choisissez **Ajouter canal**. Si vous avez terminé d’ajouter des canaux d’entrée, choisissez **Terminé**.
1. Sous l’emplacement **Sortie**, spécifiez les valeurs suivantes :
1. Sous **Chemin de sortie S3**, choisissez l’emplacement S3 où est stockée la sortie (les artefacts de modèles, par exemple) générée par les tâches d’entraînement lancées par cette tâche de réglage d’hyperparamètre.
**Note**
Vous utilisez les artefacts de modèles stockés à cet emplacement pour créer un modèle ou un package de modèle à partir de cette tâche de réglage d’hyperparamètre.
1. Pour la **clé de chiffrement**, si vous souhaitez que l' SageMaker IA utilise une AWS KMS clé pour chiffrer les données de sortie au repos dans l'emplacement S3.
1. Sous **Configuration des ressources**, fournissez les informations suivantes :
1. Sous **Type d’instance**, choisissez le type d’instance à utiliser pour chaque tâche d’entraînement lancée par la tâche de réglage d’hyperparamètre.
1. Sous **Nombre d’instances**, saisissez le nombre d’instances ML à utiliser pour chaque tâche d’entraînement lancée par la tâche de réglage d’hyperparamètre.
1. Sous **Taille du volume par instance (Go)**, saisissez la taille du volume de stockage ML que vous souhaitez allouer à chaque tâche d’entraînement lancée par la tâche de réglage d’hyperparamètre. Les volumes de stockage ML stockent les artefacts de modèles et les états incrémentiels.
1. Pour la **clé de chiffrement**, si vous souhaitez qu'Amazon SageMaker AI utilise une AWS clé du service de gestion des clés pour chiffrer les données du volume de stockage ML attaché aux instances de formation, spécifiez la clé.
1. Sous **Limites des ressources**, fournissez les informations suivantes :
1. Sous **Nombre total de tâches d’entraînement**, spécifiez le nombre maximum de tâches d’entraînement que peut lancer la tâche de réglage d’hyperparamètre. Une tâche de réglage d’hyperparamètre peut lancer 500 tâches d’entraînement au maximum.
1. Sous **Nombre maximal de tâches d’entraînement parallèles**, spécifiez le nombre maximum de tâches d’entraînement simultanées que peut lancer la tâche de réglage d’hyperparamètre. Une tâche de réglage d’hyperparamètre peut lancer 10 tâches d’entraînement simultanées au maximum.
1. Sous **Condition d’arrêt**, spécifiez la durée maximale, en secondes, en minutes, en heures ou en jours, pendant laquelle doit s’exécuter chaque tâche d’entraînement lancée par la tâche de réglage d’hyperparamètre.
1. Sous **Balises**, spécifiez une ou plusieurs balises permettant de gérer la tâche de réglage d’hyperparamètre. Chaque balise est constituée d'une clé et d'une valeur facultative. Les clés de balise doivent être uniques à chaque ressource.
1. Choisissez **Créer des tâches** afin d’exécuter la tâche de réglage d’hyperparamètre.
## Utilisation d’un algorithme pour exécuter une tâche de réglage d’hyperparamètre (API)
Pour utiliser un algorithme afin d'exécuter une tâche de réglage d'hyperparamètres à l'aide de l' SageMaker API, spécifiez le nom ou l'Amazon Resource Name (ARN) de l'algorithme comme `AlgorithmName` champ de l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objet à [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html)passer. Pour plus d'informations sur le réglage des hyperparamètres dans l' SageMaker IA, consultez[Réglage automatique du modèle grâce à l' SageMaker IA](automatic-model-tuning.md).
## Utiliser un algorithme pour exécuter une tâche de réglage d'hyperparamètres ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Utilisez un algorithme que vous avez créé ou auquel vous êtes abonné AWS Marketplace pour créer une tâche de réglage d'hyperparamètres, créer un `AlgorithmEstimator` objet et spécifier le nom de la ressource Amazon (ARN) ou le nom de l'algorithme comme valeur de l'`algorithm_arn`argument. Ensuite, initialisez un objet `HyperparameterTuner` avec la valeur `AlgorithmEstimator` que vous avez créée comme valeur de l’argument `estimator`. Enfin, appelez la méthode `fit` de l’instance `AlgorithmEstimator`. Par exemple :
```
from sagemaker import AlgorithmEstimator
from sagemaker.tuner import HyperparameterTuner
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:764419575721:algorithm/scikit-decision-trees-1542410022',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.set_hyperparameters(max_leaf_nodes=10)
tuner = HyperparameterTuner(estimator=algo, base_tuning_job_name='some-name',
objective_metric_name='validation:accuracy',
hyperparameter_ranges=hyperparameter_ranges,
max_jobs=2, max_parallel_jobs=2)
tuner.fit({'training': train_input}, include_cls_metadata=False)
tuner.wait()
```
# Utilisation d’un package de modèle pour créer un modèle
Utilisez un package de modèle afin de créer un modèle pouvant être déployé que vous utiliserez pour obtenir les inférences en temps réel en configurant un point de terminaison hébergé ou d’exécuter des tâches de transformation par lots. Vous pouvez créer un modèle déployable à partir d'un package de modèles à l'aide de la console Amazon SageMaker AI, de l' SageMaker API de bas niveau ou du SDK Amazon [ SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Utilisation d’un package de modèle pour créer un modèle (console)](#sagemaker-mkt-model-pkg-model-console)
+ [Utilisation d’un package de modèle pour créer un modèle (API)](#sagemaker-mkt-model-pkg-model-api)
+ [Utiliser un Package de modèles pour créer un modèle ([SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-model-pkg-model-sdk)
## Utilisation d’un package de modèle pour créer un modèle (console)
**Pour créer un modèle pouvant être déployé à partir d’un package de modèle (console)**
1. Ouvrez la console SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Choisissez **Model packages (Packages de modèle)**.
1. Choisissez un package de modèle que vous avez créé dans la liste de l’onglet **Mes packages de modèle** ou choisissez un package de modèle auquel vous vous êtes abonné sur l’onglet des **abonnements AWS Marketplace **.
1. Sélectionnez **Créer un modèle**.
1. Sous **Nom du modèle**, attribuez un nom au modèle.
1. Pour le **rôle IAM**, choisissez un rôle IAM disposant des autorisations requises pour appeler d'autres services en votre nom, ou choisissez **Créer un nouveau rôle** pour permettre à SageMaker AI de créer un rôle auquel la politique `AmazonSageMakerFullAccess` gérée est attachée. Pour plus d'informations, consultez [Comment utiliser les rôles d'exécution de l' SageMaker IA](sagemaker-roles.md).
1. Sous **VPC**, choisissez un Amazon VPC auquel le modèle pourra accéder. Pour de plus amples informations, veuillez consulter [Donnez aux points de terminaison hébergés par SageMaker IA un accès aux ressources de votre Amazon VPC](host-vpc.md).
1. Conservez les valeurs par défaut des options **Container input options (Options d’entrée du conteneur)** et **Choose model package (Choisir le package de modèle)**.
1. Indiquez ensuite les noms et les valeurs des variables d’environnement que vous souhaitez transmettre au conteneur de modèle.
1. Sous **Balises**, spécifiez une ou plusieurs balises permettant de gérer le modèle. Chaque balise est constituée d'une clé et d'une valeur facultative. Les clés de balise doivent être uniques à chaque ressource.
1. Sélectionnez **Créer un modèle**.
Une fois le modèle déployable créé, vous pouvez l’utiliser afin de configurer un point de terminaison pour l’inférence en temps réel ou de créer une tâche de transformation par lots afin d’obtenir les inférences sur tous les jeux de données. Pour plus d'informations sur l'hébergement de points de terminaison dans l' SageMaker IA, consultez la section [Déployer des modèles pour l'inférence](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
## Utilisation d’un package de modèle pour créer un modèle (API)
Pour utiliser un package de modèle afin de créer un modèle déployable à l'aide de l' SageMaker API, spécifiez le nom ou l'Amazon Resource Name (ARN) du package de modèle comme `ModelPackageName` champ de l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)objet que vous transmettez à l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)API.
Une fois le modèle déployable créé, vous pouvez l’utiliser afin de configurer un point de terminaison pour l’inférence en temps réel ou de créer une tâche de transformation par lots afin d’obtenir les inférences sur tous les jeux de données. Pour plus d'informations sur les points de terminaison hébergés dans l' SageMaker IA, consultez la section [Déployer des modèles pour l'inférence](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
## Utiliser un Package de modèles pour créer un modèle ([SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable))
Pour utiliser un package de modèle afin de créer un modèle déployable à l'aide du SDK SageMaker AI Python, initialisez un `ModelPackage` objet et transmettez le nom de ressource Amazon (ARN) du package de modèle comme argument. `model_package_arn` Par exemple :
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
Une fois le modèle déployable créé, vous pouvez l’utiliser afin de configurer un point de terminaison pour l’inférence en temps réel ou de créer une tâche de transformation par lots afin d’obtenir les inférences sur tous les jeux de données. Pour plus d'informations sur l'hébergement de points de terminaison dans l' SageMaker IA, consultez la section [Déployer des modèles pour l'inférence](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).