Kami tidak lagi memperbarui layanan Amazon Machine Learning atau menerima pengguna baru untuk itu. Dokumentasi ini tersedia untuk pengguna yang sudah ada, tetapi kami tidak lagi memperbaruinya. Untuk informasi selengkapnya, lihat [Apa itu Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Meminta Prediksi Waktu Nyata
Prediksi real-time adalah panggilan sinkron ke Amazon Machine Learning (Amazon ML). Prediksi dibuat ketika Amazon ML mendapatkan permintaan, dan respons segera dikembalikan. Prediksi real-time biasanya digunakan untuk mengaktifkan kemampuan prediktif dalam aplikasi web, seluler, atau desktop interaktif. Anda dapat melakukan kueri model ML yang dibuat dengan Amazon ML untuk prediksi secara real time dengan menggunakan API latensi rendah`Predict`. `Predict`Operasi menerima pengamatan input tunggal dalam payload permintaan, dan mengembalikan prediksi secara serempak dalam respons. Ini membedakannya dari API prediksi batch, yang dipanggil dengan ID objek sumber data Amazon MS yang menunjuk ke lokasi pengamatan input, dan mengembalikan URI secara asinkron ke file yang berisi prediksi untuk semua pengamatan ini. Amazon ML merespons sebagian besar permintaan prediksi waktu nyata dalam 100 milidetik.
Anda dapat mencoba prediksi waktu nyata tanpa menimbulkan biaya di konsol Amazon Amazon. Jika Anda kemudian memutuskan untuk menggunakan prediksi real-time, Anda harus terlebih dahulu membuat titik akhir untuk pembuatan prediksi waktu nyata. Anda dapat melakukan ini di konsol Amazon ML atau dengan menggunakan `CreateRealtimeEndpoint` API. Setelah Anda memiliki titik akhir, gunakan API prediksi waktu nyata untuk menghasilkan prediksi waktu nyata.
**catatan**
Setelah Anda membuat titik akhir real-time untuk model Anda, Anda akan mulai dikenakan biaya reservasi kapasitas yang didasarkan pada ukuran model. Untuk informasi selengkapnya, silakan lihat [Harga ](https://aws.amazon.com/machine-learning/pricing/). Jika Anda membuat titik akhir real-time di konsol, konsol akan menampilkan rincian perkiraan biaya yang akan diperoleh titik akhir secara berkelanjutan. Untuk berhenti menimbulkan muatan saat Anda tidak perlu lagi mendapatkan prediksi waktu nyata dari model itu, hapus titik akhir waktu nyata dengan menggunakan konsol atau operasi. `DeleteRealtimeEndpoint`
Untuk contoh `Predict` permintaan dan tanggapan, lihat [Memprediksi](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) di *Referensi API Amazon Machine Learning*. Untuk melihat contoh format respons yang tepat yang menggunakan model Anda, lihat[Mencoba Prediksi Real-Time](#testing-real-time-predictions).
**Topics**
+ [Mencoba Prediksi Real-Time](#testing-real-time-predictions)
+ [Membuat Endpoint Real-Time](#creating-a-real-time-endpoint)
+ [Menemukan Titik Akhir Prediksi Real-time (Konsol)](#locate-endpoint-by-console)
+ [Menemukan Titik Akhir Prediksi Real-time (API)](#locating-the-real-time-prediction-endpoint)
+ [Membuat Permintaan Prediksi Real-time](#real-time-prediction-request-format)
+ [Menghapus Titik Akhir Real-Time](#delete-endpoint)
## Mencoba Prediksi Real-Time
Untuk membantu Anda memutuskan apakah akan mengaktifkan prediksi waktu nyata, Amazon ML memungkinkan Anda mencoba membuat prediksi pada catatan data tunggal tanpa menimbulkan biaya tambahan yang terkait dengan pengaturan titik akhir prediksi waktu nyata. Untuk mencoba prediksi real-time, Anda harus memiliki model ML. Untuk membuat prediksi real-time dalam skala yang lebih besar, gunakan [Predict](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) API di *Referensi API Amazon Machine Learning*.
**Untuk mencoba prediksi waktu nyata**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Machine Learning di [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Di bilah navigasi, di drop-down **Amazon Machine Learning**, pilih **model ML**.
1. Pilih model yang ingin Anda gunakan untuk mencoba prediksi real-time, seperti `Subscription propensity model` dari tutorial.
1. Pada halaman laporan model ML, di bawah **Prediksi**, pilih **Ringkasan**, lalu pilih **Coba prediksi waktu nyata**.
![\[Tools section with option to try real-time predictions.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/try-real-time.png)
Amazon ML menampilkan daftar variabel yang menyusun catatan data yang digunakan Amazon untuk melatih model Anda.
1. Anda dapat melanjutkan dengan memasukkan data di setiap bidang dalam formulir atau dengan menempelkan satu catatan data, dalam format CSV, ke dalam kotak teks.
Untuk menggunakan formulir, untuk setiap bidang **Nilai**, masukkan data yang ingin Anda gunakan untuk menguji prediksi waktu nyata Anda. Jika catatan data yang Anda masukkan tidak berisi nilai untuk satu atau beberapa atribut data, biarkan bidang entri kosong.
Untuk menyediakan catatan data, pilih **Tempel catatan**. **Tempelkan satu baris data berformat CSV ke dalam bidang teks, dan pilih Kirim.** Amazon ML secara otomatis mengisi bidang **Nilai** untuk Anda.
**catatan**
Data dalam catatan data harus memiliki jumlah kolom yang sama dengan data pelatihan, dan disusun dalam urutan yang sama. Satu-satunya pengecualian adalah Anda harus menghilangkan nilai target. Jika Anda menyertakan nilai target, Amazon ML mengabaikannya.
1. Di bagian bawah halaman, pilih **Buat prediksi.** Amazon ML segera mengembalikan prediksi.
Di panel **Hasil prediksi**, Anda melihat objek prediksi yang ditampilkan oleh panggilan `Predict` API, bersama dengan tipe model ML, nama variabel target, dan kelas atau nilai yang diprediksi. Untuk informasi tentang menafsirkan hasil, lihat[Menafsirkan Isi File Prediksi Batch untuk model ML Klasifikasi Biner](reading-the-batchprediction-output-files.md#interpreting-the-contents-of-batch-prediction-files-for-a-binary-classification-ml-model).
![\[Prediction results showing binary ML model type with predicted label 0 and score details.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/real-time-result.png)
## Membuat Endpoint Real-Time
Untuk menghasilkan prediksi real-time, Anda perlu membuat titik akhir real-time. Untuk membuat titik akhir real-time, Anda harus sudah memiliki model ML yang ingin Anda hasilkan prediksi waktu nyata. Anda dapat membuat titik akhir real-time dengan menggunakan konsol Amazon ML atau dengan memanggil `CreateRealtimeEndpoint` API. Untuk informasi selengkapnya tentang penggunaan `CreateRealtimeEndpoint` API, lihat [https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html) di Referensi API Amazon Machine Learning.
**Untuk membuat titik akhir real-time**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Machine Learning di [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Di bilah navigasi, di drop-down **Amazon Machine Learning**, pilih **model ML**.
1. Pilih model yang ingin Anda hasilkan prediksi waktu nyata.
1. Pada halaman **ringkasan model ML**, di bawah **Prediksi**, pilih **Buat titik akhir waktu nyata**.
Kotak dialog yang menjelaskan bagaimana prediksi real-time diberi harga muncul.
1. Pilih **Buat**. Permintaan endpoint real-time dikirim ke Amazon ML dan dimasukkan ke dalam antrian. Status titik akhir real-time adalah **Memperbarui**.
![\[Real-time endpoint status shown as "Updating" in a user interface element.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/endpoint-updating.png)
1. Saat titik akhir real-time siap, status berubah menjadi **Siap**, dan Amazon MLakan menampilkan URL endpoint. Gunakan URL endpoint untuk membuat permintaan prediksi real-time dengan API. `Predict` Untuk informasi selengkapnya tentang penggunaan `Predict` API, lihat [https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) di Referensi API Amazon Machine Learning.
![\[Real-time endpoint status showing Ready with an endpoint URL and Peak Requests Per Second value.\]](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/endpoint-ready.png)
## Menemukan Titik Akhir Prediksi Real-time (Konsol)
Untuk menggunakan konsol Amazon Amazon untuk menemukan URL titik akhir untuk model ML, navigasikan ke halaman **ringkasan model ML model**.
**Untuk menemukan URL titik akhir waktu nyata**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Machine Learning di [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Di bilah navigasi, di drop-down **Amazon Machine Learning**, pilih **model ML**.
1. Pilih model yang ingin Anda hasilkan prediksi waktu nyata.
1. Pada halaman **ringkasan model** ML, gulir ke bawah hingga Anda melihat bagian **Prediksi.**
1. URL titik akhir untuk model tercantum dalam **prediksi Real-time**. Gunakan URL sebagai URL **Endpoint Url** untuk panggilan prediksi real-time Anda. Untuk informasi tentang cara menggunakan titik akhir untuk menghasilkan prediksi, lihat [https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) di Referensi API Amazon Machine Learning.
## Menemukan Titik Akhir Prediksi Real-time (API)
Saat Anda membuat titik akhir real-time dengan menggunakan `CreateRealtimeEndpoint` operasi, URL dan status titik akhir dikembalikan kepada Anda dalam respons. Jika Anda membuat titik akhir real-time menggunakan konsol atau jika Anda ingin mengambil URL dan status titik akhir yang Anda buat sebelumnya, panggil `GetMLModel` operasi dengan ID model yang ingin Anda kueri untuk prediksi waktu nyata. Informasi titik akhir terkandung di `EndpointInfo` bagian respons. Untuk model yang memiliki titik akhir real-time yang terkait dengannya, `EndpointInfo` mungkin terlihat seperti ini:
```
"EndpointInfo":{
"CreatedAt": 1427864874.227,
"EndpointStatus": "READY",
"EndpointUrl": "https://endpointUrl",
"PeakRequestsPerSecond": 200
}
```
Model tanpa titik akhir real-time akan mengembalikan yang berikut:
```
EndpointInfo":{
"EndpointStatus": "NONE",
"PeakRequestsPerSecond": 0
}
```
## Membuat Permintaan Prediksi Real-time
Contoh payload `Predict` permintaan mungkin terlihat seperti ini:
```
{
"MLModelId": "model-id",
"Record":{
"key1": "value1",
"key2": "value2"
},
"PredictEndpoint": "https://endpointUrl"
}
```
`PredictEndpoint`Bidang harus sesuai dengan `EndpointUrl` bidang `EndpointInfo` struktur. Amazon ML menggunakan bidang ini untuk merutekan permintaan ke server yang sesuai dalam armada prediksi waktu nyata.
`MLModelId`Ini adalah pengidentifikasi model yang dilatih sebelumnya dengan titik akhir waktu nyata.
A `Record` adalah peta nama variabel ke nilai variabel. Setiap pasangan mewakili pengamatan. `Record`Peta berisi input ke model Amazon MLmu. Ini analog dengan satu baris data dalam kumpulan data pelatihan Anda, tanpa variabel target. Terlepas dari jenis nilai dalam data pelatihan, `Record` berisi string-to-string pemetaan.
**catatan**
Anda dapat menghilangkan variabel yang Anda tidak memiliki nilai, meskipun ini mungkin mengurangi keakuratan prediksi Anda. Semakin banyak variabel yang dapat Anda sertakan, semakin akurat model Anda.
Format respons yang dikembalikan oleh `Predict` permintaan tergantung pada jenis model yang sedang ditanyakan untuk prediksi. Dalam semua kasus, `details` bidang berisi informasi tentang permintaan prediksi, terutama termasuk `PredictiveModelType` bidang dengan jenis model.
Contoh berikut menunjukkan respons untuk model biner:
```
{
"Prediction":{
"details":{
"PredictiveModelType": "BINARY"
},
"predictedLabel": "0",
"predictedScores":{
"0": 0.47380468249320984
}
}
}
```
Perhatikan `predictedLabel` bidang yang berisi label yang diprediksi, dalam hal ini 0. Amazon ML menghitung label yang diprediksi dengan membandingkan skor prediksi dengan batas klasifikasi:
+ Anda dapat memperoleh batas klasifikasi yang saat ini dikaitkan dengan model ML dengan memeriksa `ScoreThreshold` bidang dalam respons `GetMLModel` operasi, atau dengan melihat informasi model di konsol Amazon Amazon. Jika Anda tidak menetapkan ambang skor, Amazon ML menggunakan nilai default 0,5.
+ Anda dapat memperoleh skor prediksi yang tepat untuk model klasifikasi biner dengan memeriksa peta. `predictedScores` Dalam peta ini, label yang diprediksi dipasangkan dengan skor prediksi yang tepat.
Untuk informasi lebih lanjut tentang prediksi biner, lihat[Menafsirkan Prediksi](binary-model-insights.md#interpreting-the-predictions).
Contoh berikut menunjukkan respons untuk model regresi. Perhatikan bahwa nilai numerik yang diprediksi ditemukan di `predictedValue` bidang:
```
{
"Prediction":{
"details":{
"PredictiveModelType": "REGRESSION"
},
"predictedValue": 15.508452415466309
}
}
```
Contoh berikut menunjukkan respons untuk model multiclass:
```
{
"Prediction":{
"details":{
"PredictiveModelType": "MULTICLASS"
},
"predictedLabel": "red",
"predictedScores":{
"red": 0.12923571467399597,
"green": 0.08416014909744263,
"orange": 0.22713537514209747,
"blue": 0.1438363939523697,
"pink": 0.184102863073349,
"violet": 0.12816807627677917,
"brown": 0.10336143523454666
}
}
}
```
Mirip dengan model klasifikasi biner, prediksi label/class ditemukan di `predictedLabel` lapangan. Anda dapat lebih memahami seberapa kuat prediksi terkait dengan setiap kelas dengan melihat `predictedScores` peta. Semakin tinggi skor kelas dalam peta ini, semakin kuat prediksi terkait dengan kelas, dengan nilai tertinggi akhirnya dipilih sebagai. `predictedLabel`
Untuk informasi lebih lanjut tentang prediksi multiclass, lihat. [Wawasan Model Multiclass](multiclass-model-insights.md)
## Menghapus Titik Akhir Real-Time
Ketika Anda telah menyelesaikan prediksi real-time Anda, hapus titik akhir waktu nyata untuk menghindari dikenakan biaya tambahan. Biaya berhenti bertambah segera setelah Anda menghapus titik akhir Anda.
**Untuk menghapus titik akhir real-time**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Machine Learning di [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).
1. Di bilah navigasi, di drop-down **Amazon Machine Learning**, pilih **model ML**.
1. Pilih model yang tidak lagi membutuhkan prediksi waktu nyata.
1. Pada halaman laporan model ML, di bawah **Prediksi**, pilih **Ringkasan**.
1. Pilih **Hapus titik akhir waktu nyata**.
1. Di kotak dialog **Hapus titik akhir waktu nyata**, pilih **Hapus**.