Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Produk pembelajaran mesin di AWS Marketplace
Sebagai AWS Marketplace penjual, Anda dapat membuat algoritma dan model pembelajaran mesin (ML) yang dapat digunakan pembeli Anda. AWS Topik ini memberikan informasi tentang jenis produk Amazon SageMaker AI yang tercantum di AWS Marketplace.
Ada dua jenis produk SageMaker AI yang tercantum di AWS Marketplace:
**Paket model**
Model pra-terlatih untuk membuat prediksi yang tidak memerlukan pelatihan lebih lanjut oleh pembeli.
**Algoritme**
Model yang mengharuskan pembeli untuk menyediakan data pelatihan sebelum membuat prediksi. Algoritma pelatihan disertakan.
Produk-produk ini tersedia untuk pembeli melalui konsol Amazon SageMaker AI atau AWS Marketplace. Pembeli dapat meninjau deskripsi produk, dokumentasi, ulasan pelanggan, harga, dan informasi dukungan. Ketika mereka berlangganan produk paket model atau produk algoritme, itu ditambahkan ke daftar produk mereka di konsol SageMaker AI. Pembeli juga dapat menggunakan AWS SDKs AWS Command Line Interface (AWS CLI), atau konsol SageMaker AI untuk membuat titik akhir inferensi REST yang dikelola sepenuhnya atau melakukan inferensi pada kumpulan data.
Untuk dukungan pembuatan produk pembelajaran mesin dengan Amazon SageMaker AI, hubungi tim [Operasi AWS Marketplace Penjual](https://aws.amazon.com/marketplace/management/contact-us/).
# Memahami produk pembelajaran mesin
AWS Marketplace mendukung dua jenis produk pembelajaran mesin, menggunakan Amazon SageMaker AI. Kedua jenis, produk paket model dan produk algoritme, menghasilkan model inferensi yang dapat diterapkan untuk membuat prediksi.
## SageMaker Paket model AI
Produk [paket model Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-marketplace.html#sagemaker-mkt-model-package) berisi model yang telah dilatih sebelumnya. Model pra-terlatih dapat digunakan dalam SageMaker AI untuk membuat kesimpulan atau prediksi secara real time atau dalam batch. Produk ini berisi komponen inferensi terlatih dengan artefak model, jika ada. Sebagai penjual, Anda dapat melatih model menggunakan SageMaker AI atau membawa model Anda sendiri.
## SageMaker Algoritma AI
Pembeli dapat menggunakan produk [algoritme SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-marketplace.html#sagemaker-mkt-algorithm) untuk melakukan beban kerja pembelajaran mesin yang lengkap. Produk algoritma memiliki dua komponen logis: pelatihan dan inferensi. Di SageMaker AI, pembeli menggunakan kumpulan data mereka sendiri untuk membuat pekerjaan pelatihan dengan komponen pelatihan Anda. Ketika algoritma dalam komponen pelatihan Anda selesai, itu menghasilkan artefak model model pembelajaran mesin. SageMaker AI menyimpan artefak model di bucket Amazon Simple Storage Service (Amazon S3) pembeli. Di SageMaker AI, pembeli kemudian dapat menerapkan komponen inferensi Anda bersama dengan artefak model yang dihasilkan untuk melakukan inferensi (atau prediksi) secara real time atau dalam batch.
## Menerapkan model inferensi
Apakah model inferensi dibuat dari paket model atau algoritma, ada dua metode untuk menerapkannya:
+ **Endpoint** — Metode ini menggunakan SageMaker AI untuk menyebarkan model dan membuat titik akhir API. Pembeli dapat menggunakan endpoint ini sebagai bagian dari layanan backend mereka untuk memberi daya pada aplikasi mereka. Saat data dikirim ke titik akhir, SageMaker AI meneruskannya ke wadah model dan mengembalikan hasilnya dalam respons API. Titik akhir dan kontainer terus berjalan hingga dihentikan oleh pembeli.
**catatan**
Pada tahun AWS Marketplace, metode endpoint disebut sebagai *inferensi real-time*, dan dalam dokumentasi SageMaker AI, itu disebut sebagai *layanan hosting*. Untuk informasi selengkapnya, lihat [Menerapkan Model di Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-deployment.html).
+ **Pekerjaan transformasi Batch** — Dalam metode ini, pembeli menyimpan kumpulan data untuk inferensi di Amazon S3. Saat pekerjaan transformasi batch dimulai, SageMaker AI menerapkan model, meneruskan data dari bucket S3 ke wadah model, dan kemudian mengembalikan hasilnya ke bucket Amazon S3. Ketika pekerjaan selesai, SageMaker AI menghentikan pekerjaan. Untuk informasi selengkapnya, lihat [Menggunakan Transformasi Batch](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html).
**catatan**
Kedua metode transparan untuk model karena SageMaker AI meneruskan data ke model dan mengembalikan hasil kepada pembeli.
# Siklus hidup produk pembelajaran mesin
Produk pembelajaran mesin AWS Marketplace terdiri dari satu atau lebih versi perangkat lunak dan metadata terkait. Konfigurasi produk mencakup properti penting seperti nama, deskripsi, petunjuk penggunaan, harga, kategorisasi, dan kata kunci pencarian.
## Proses pembuatan produk pembelajaran mesin
Untuk membuat daftar produk pembelajaran mesin AWS Marketplace, Anda harus menyelesaikan yang berikut ini:
1. [Mempersiapkan produk Anda di SageMaker AI](ml-prepare-your-product-in-sagemaker.md)
1. [Cantumkan produk Anda di AWS Marketplace](ml-publishing-your-product-in-aws-marketplace.md)
Setelah Anda membuat produk pembelajaran mesin, Anda dapat mengedit dan mengelola produk Anda. Untuk informasi selengkapnya, lihat [Mengelola produk pembelajaran mesin Anda](ml-product-management.md).
## Status produk pembelajaran mesin
Produk baru awalnya memiliki visibilitas terbatas, hanya dapat diakses oleh akun yang diizinkan dan pembuat produk. Setelah pengujian dan validasi, Anda dapat mempublikasikan produk Anda untuk membuatnya tersedia di AWS Marketplace katalog untuk semua pembeli. Produk di AWS Marketplace dapat memiliki nilai status berikut:
| Status | Definisi |
| --- |--- |
| Pementasan | Status ini menunjukkan produk yang tidak lengkap yang masih Anda tambahkan informasinya. Setelah Anda pertama kali menyimpan dan keluar dari pengalaman swalayan, AWS Marketplace buat produk yang tidak dipublikasikan yang berisi informasi dari langkah-langkah yang telah diselesaikan. Dari status ini, Anda dapat terus menambahkan informasi atau memodifikasi detail yang dikirimkan. |
| Terbatas | Produk mencapai status ini setelah dikirimkan ke AWS Marketplace dan melewati semua pemeriksaan validasi. Pada titik ini, produk memiliki halaman detail yang hanya dapat diakses oleh akun Anda dan entitas yang diizinkan. Anda dapat melakukan pengujian produk melalui halaman detail ini. |
| Publik | Saat Anda siap membuat produk Anda terlihat oleh pembeli untuk berlangganan, perbarui visibilitas produk di konsol. Setelah diproses, produk beralih dari status Terbatas ke Publik. Untuk informasi tentang AWS pedoman, lihat[Persyaratan dan praktik terbaik untuk membuat produk pembelajaran mesin](ml-listing-requirements-and-best-practices.md). |
| Dibatasi | Untuk mencegah pengguna baru berlangganan produk Anda, Anda dapat membatasinya dengan memperbarui pengaturan visibilitas. Status Terbatas memungkinkan pengguna yang terdaftar diizinkan untuk terus menggunakan produk, tetapi tidak akan lagi terlihat oleh publik atau tersedia untuk pengguna baru. |
Untuk informasi lebih lanjut atau dukungan, hubungi [tim Operasi AWS Marketplace Penjual](https://aws.amazon.com/marketplace/management/contact-us/).
# Harga produk pembelajaran mesin untuk AWS Marketplace
Anda dapat memilih dari beberapa model harga yang tersedia untuk produk Amazon SageMaker AI Anda di AWS Marketplace. Pembeli yang berlangganan produk Anda menjalankannya di SageMaker AI sendiri Akun AWS. Harga untuk pembeli Anda adalah kombinasi dari biaya infrastruktur untuk sumber daya yang berjalan di mereka Akun AWS dan harga produk yang Anda tetapkan. Bagian berikut memberikan informasi tentang model harga untuk produk SageMaker AI di AWS Marketplace
**Topics**
+ [Harga infrastruktur](#ml-infrastructure-pricing)
+ [Harga perangkat lunak](#ml-software-pricing)
## Harga infrastruktur
Pembeli bertanggung jawab atas semua biaya infrastruktur SageMaker AI saat menggunakan produk Anda. Biaya ini ditentukan oleh AWS dan tersedia di halaman [harga Amazon SageMaker AI](https://aws.amazon.com/sagemaker/pricing/).
## Harga perangkat lunak
Anda menentukan harga perangkat lunak yang AWS Marketplace membebankan pembeli untuk menggunakan produk Anda. Anda menetapkan harga dan ketentuan saat menambahkan produk pembelajaran mesin AWS Marketplace.
Semua harga infrastruktur dan perangkat lunak per jenis instans disajikan kepada pembeli di halaman daftar produk AWS Marketplace sebelum pembeli berlangganan.
**Topics**
+ [Harga gratis](#ml-pricing-free)
+ [Harga per jam](#ml-pricing-hourly)
+ [Harga inferensi](#ml-pricing-inference)
+ [Uji coba gratis](#ml-pricing-free-trial)
### Harga gratis
Anda dapat memilih untuk menawarkan produk Anda secara gratis. Dalam hal ini, pembeli hanya membayar biaya infrastruktur.
### Harga per jam
Anda dapat menawarkan produk Anda dengan harga per jam per instance perangkat lunak Anda yang berjalan di SageMaker AI. Anda dapat mengenakan harga per jam yang berbeda untuk setiap jenis instans yang dijalankan perangkat lunak Anda. Sementara pembeli menjalankan perangkat lunak Anda, AWS Marketplace melacak penggunaan dan kemudian menagih pembeli yang sesuai. Penggunaan diprorata hingga menit.
Untuk produk *paket model*, pembeli dapat menjalankan perangkat lunak Anda dengan dua cara berbeda. Mereka dapat meng-host titik akhir secara terus menerus untuk melakukan inferensi waktu nyata atau menjalankan pekerjaan transformasi batch pada kumpulan data. Anda dapat menetapkan harga yang berbeda untuk kedua cara pembeli dapat menjalankan perangkat lunak Anda.
Untuk produk *algoritma*, selain menentukan harga untuk melakukan inferensi, seperti yang disebutkan sebelumnya, Anda juga menentukan harga per jam untuk pekerjaan pelatihan. Anda dapat mengenakan harga per jam yang berbeda untuk setiap jenis instans yang didukung gambar pelatihan Anda.
### Harga inferensi
Ketika pembeli menjalankan perangkat lunak Anda dengan menghosting titik akhir untuk terus melakukan inferensi waktu nyata, Anda dapat memilih untuk menetapkan harga per inferensi.
**catatan**
Jenis produk ML berikut selalu menggunakan harga per jam:
Pekerjaan transformasi Batch
Titik akhir inferensi asinkron
Pekerjaan pelatihan untuk produk algoritma
Anda menetapkan harga untuk setiap jenis secara independen dari harga inferensi dan satu sama lain.
Secara default, dengan harga inferensi, AWS Marketplace menagih pembeli Anda untuk setiap pemanggilan titik akhir Anda. *Namun, dalam beberapa kasus, perangkat lunak Anda memproses sekumpulan kesimpulan dalam satu pemanggilan (juga dikenal sebagai mini-batch).* Untuk penerapan titik akhir, Anda dapat menunjukkan sejumlah inferensi khusus yang AWS Marketplace harus membebankan biaya kepada pembeli untuk pemanggilan tunggal tersebut. Untuk melakukan ini, sertakan header pengukuran kustom di header respons HTTP dari pemanggilan Anda, seperti pada contoh berikut. Contoh ini menunjukkan doa yang menagih pembeli untuk tiga kesimpulan.
```
X-Amzn-Inference-Metering: {"Dimension": "inference.count", "ConsumedUnits": 3}
```
**catatan**
Untuk harga inferensi, AWS Marketplace hanya menagih pembeli untuk permintaan di mana kode respons HTTP berada`2XX`.
### Uji coba gratis
Secara opsional, Anda dapat membuat uji coba gratis untuk produk Anda dan menentukan jumlah hari uji coba gratis. Uji coba gratis bisa 5-31 hari. Selama uji coba gratis, pembeli dapat menjalankan perangkat lunak Anda sebanyak yang mereka inginkan dan tidak dikenakan biaya untuk perangkat lunak Anda. Pembeli dikenakan biaya infrastruktur selama uji coba gratis. Setelah uji coba berakhir, mereka dikenakan biaya perangkat lunak normal Anda, bersama dengan biaya infrastruktur.
Ketika pembeli berlangganan produk dengan uji coba gratis, mereka menerima pesan email selamat datang. Pesan tersebut mencakup jangka waktu uji coba gratis, tanggal kedaluwarsa yang dihitung, dan detail tentang berhenti berlangganan. Pesan email pengingat dikirim tiga hari sebelum tanggal kedaluwarsa.
Jika Anda menawarkan uji coba gratis untuk produk Anda di AWS Marketplace, Anda menyetujui [kebijakan pengembalian dana](https://docs.aws.amazon.com/marketplace/latest/userguide/refunds.html#refund-policy) khusus untuk uji coba gratis.
**catatan**
Untuk informasi tentang Penawaran pribadi untuk pembelajaran mesin, lihat [Penawaran pribadi](https://docs.aws.amazon.com/marketplace/latest/userguide/private-offers-overview.html).
# Pembatasan layanan dan kuota untuk produk pembelajaran mesin di AWS Marketplace
Bagian ini menjelaskan batasan dan kuota pada produk pembelajaran mesin (ML) Anda di AWS Marketplace.
**Topics**
+ [Isolasi jaringan](#ml-network-isolation)
+ [Ukuran gambar](#ml-image-size)
+ [Ukuran penyimpanan](#ml-storage-size)
+ [Ukuran instans](#ml-instance-size)
+ [Ukuran muatan untuk inferensi](#ml-payload-size-for-inference)
+ [Waktu pemrosesan untuk inferensi](#ml-processing-time-for-inference)
+ [Kuota layanan](#ml-service-quotas)
+ [Inferensi tanpa server](#severless-inference)
+ [Pelatihan spot terkelola](#ml-managed-spot-training)
+ [Gambar Docker dan Akun AWS](#ml-docker-images-and-aws-accounts)
+ [Menerbitkan paket model dari algoritma bawaan atau AWS Marketplace](#ml-publishing-model-packages-from-built-in-algorithms-or-aws-marketplace)
+ [Didukung Wilayah AWS untuk penerbitan](#ml-supported-aws-regions-for-publishing)
## Isolasi jaringan
Untuk tujuan keamanan, saat pembeli berlangganan produk kontainer Anda, kontainer Docker dijalankan di lingkungan yang terisolasi tanpa akses jaringan. Saat Anda membuat kontainer, jangan mengandalkan panggilan keluar melalui internet karena mereka akan gagal. Panggilan ke juga Layanan AWS akan gagal.
## Ukuran gambar
[Ukuran gambar Docker Anda diatur oleh kuota layanan Amazon Elastic Container Registry (Amazon ECR).](https://docs.aws.amazon.com/AmazonECR/latest/userguide/service_limits.html) Ukuran gambar Docker memengaruhi waktu startup selama pekerjaan pelatihan, pekerjaan transformasi batch, dan pembuatan titik akhir. Untuk kinerja yang lebih baik, pertahankan ukuran gambar Docker yang optimal.
## Ukuran penyimpanan
Saat Anda membuat titik akhir, Amazon SageMaker AI akan melampirkan volume penyimpanan Amazon Elastic Block Store (Amazon EBS) ke setiap instans komputasi ML yang menampung titik akhir. (Endpoint juga dikenal sebagai *inferensi real-time* atau *layanan hosting Amazon SageMaker AI*.) Ukuran volume penyimpanan tergantung pada jenis instans. Untuk informasi selengkapnya, lihat [Volume Penyimpanan Instans Host](https://docs.aws.amazon.com/sagemaker/latest/dg/host-instance-storage.html) di *Panduan Pengembang Amazon SageMaker AI*.
Untuk transformasi batch, lihat [Penyimpanan dalam Transformasi Batch](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform-storage.html) di *Panduan Pengembang Amazon SageMaker AI*.
## Ukuran instans
SageMaker AI menyediakan pilihan jenis instans yang dioptimalkan agar sesuai dengan kasus penggunaan ML yang berbeda. Jenis instans terdiri dari berbagai kombinasi CPU, GPU, memori, dan kapasitas jaringan. Jenis instans memberi Anda fleksibilitas untuk memilih campuran sumber daya yang sesuai untuk membangun, melatih, dan menerapkan model ML Anda. Untuk informasi selengkapnya, lihat [Jenis Instans Amazon SageMaker AI ML](https://aws.amazon.com/sagemaker/pricing/instance-types/).
## Ukuran muatan untuk inferensi
Untuk titik akhir, batasi ukuran maksimum data input per pemanggilan hingga 25 MB. Nilai ini tidak dapat disesuaikan.
Untuk transformasi batch, ukuran maksimum data input per pemanggilan adalah 100 MB. Nilai ini tidak dapat disesuaikan.
## Waktu pemrosesan untuk inferensi
Untuk titik akhir, waktu pemrosesan maksimum per pemanggilan adalah 60 detik untuk respons reguler dan 8 menit untuk respons streaming. Nilai ini tidak dapat disesuaikan.
Untuk transformasi batch, waktu pemrosesan maksimum per pemanggilan adalah 60 menit. Nilai ini tidak dapat disesuaikan.
## Kuota layanan
Untuk informasi selengkapnya tentang kuota yang terkait dengan pelatihan dan inferensi, lihat [Amazon SageMaker AI Service Quotas](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker).
## Inferensi tanpa server
Paket model dan algoritme yang diterbitkan di tidak AWS Marketplace dapat diterapkan ke titik akhir yang dikonfigurasi untuk Inferensi Tanpa Server [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/serverless-endpoints.html). Titik akhir yang dikonfigurasi untuk inferensi tanpa server memerlukan model untuk memiliki konektivitas jaringan. Semua AWS Marketplace model beroperasi dalam isolasi jaringan. Untuk informasi selengkapnya, lihat [Tidak ada akses jaringan](https://docs.aws.amazon.com/marketplace/latest/userguide/ml-security-and-intellectual-property.html#ml-no-network-access).
## Pelatihan spot terkelola
Untuk semua algoritma dari AWS Marketplace, nilai `MaxWaitTimeInSeconds` diatur ke 3.600 detik (60 menit), bahkan jika pos pemeriksaan untuk [pelatihan spot terkelola diimplementasikan](https://docs.aws.amazon.com/sagemaker/latest/dg/model-managed-spot-training.html). Nilai ini tidak dapat disesuaikan.
## Gambar Docker dan Akun AWS
Untuk penerbitan, gambar harus disimpan di repositori Amazon ECR yang dimiliki oleh penjual Akun AWS . Tidak mungkin mempublikasikan gambar yang disimpan dalam repositori yang dimiliki oleh orang lain. Akun AWS
## Menerbitkan paket model dari algoritma bawaan atau AWS Marketplace
Paket model yang dibuat dari pekerjaan pelatihan menggunakan [algoritme bawaan Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html) atau algoritme dari AWS Marketplace langganan tidak dapat dipublikasikan.
Anda masih dapat menggunakan artefak model dari pekerjaan pelatihan, tetapi gambar inferensi Anda sendiri diperlukan untuk menerbitkan paket model.
## Didukung Wilayah AWS untuk penerbitan
AWS Marketplace mendukung penerbitan paket model dan sumber daya algoritme dari Wilayah AWS mana yang berikut ini benar:
+ Wilayah yang [didukung Amazon SageMaker AI](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/)
+ [Wilayah yang tersedia](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/) [yang diikutsertakan secara default (misalnya, deskripsikan wilayah kembali)](https://docs.aws.amazon.com/general/latest/gr/rande-manage.html#ec2-describe-regions) `"OptInStatus": "opt-in-not-required"`
Semua aset yang diperlukan untuk menerbitkan paket model atau produk algoritme harus disimpan di Wilayah yang sama yang Anda pilih untuk diterbitkan. Ini termasuk yang berikut:
+ Paket model dan sumber daya algoritme yang dibuat di Amazon SageMaker AI
+ Inferensi dan gambar pelatihan yang diunggah ke repositori Amazon ECR
+ Artefak model (jika ada) yang disimpan di Amazon Simple Storage Service dan dimuat secara dinamis selama penerapan model untuk sumber daya paket model
+ Uji data untuk inferensi dan validasi pelatihan yang disimpan di Amazon S3
Anda dapat mengembangkan dan melatih produk Anda di Wilayah mana pun yang didukung oleh SageMaker AI. Namun, sebelum Anda dapat mempublikasikan, Anda harus menyalin semua aset ke dan membuat ulang sumber daya di Wilayah yang AWS Marketplace mendukung penerbitan dari.
# Keamanan dan kekayaan intelektual dengan Amazon SageMaker AI
Amazon SageMaker AI melindungi kekayaan intelektual dan data pembeli Anda untuk model dan algoritme yang diperoleh AWS Marketplace. Bagian berikut memberikan informasi lebih lanjut tentang cara-cara SageMaker AI melindungi kekayaan intelektual dan keamanan data pelanggan.
**Topics**
+ [Melindungi kekayaan intelektual](#ml-protecting-intellectual-property)
+ [Tidak ada akses jaringan](#ml-no-network-access)
+ [Keamanan data pelanggan](#ml-security-of-customer-data)
## Melindungi kekayaan intelektual
Saat Anda membuat produk, kode tersebut dikemas dalam gambar kontainer Docker. Untuk informasi lebih lanjut, lihat[Mempersiapkan produk Anda di SageMaker AI](ml-prepare-your-product-in-sagemaker.md), nanti di panduan ini. Saat Anda mengunggah gambar kontainer, gambar dan artefak dienkripsi saat transit dan saat istirahat. Gambar juga dipindai untuk kerentanan sebelum dipublikasikan.
Untuk membantu melindungi kekayaan intelektual Anda, SageMaker AI hanya mengizinkan pembeli untuk mengakses produk Anda melalui titik akhir. Layanan AWS Pembeli tidak dapat secara langsung mengakses atau menarik gambar kontainer atau artefak model, mereka juga tidak dapat mengakses infrastruktur yang mendasarinya.
## Tidak ada akses jaringan
Tidak seperti model dan algoritme SageMaker AI yang dibuat pembeli, ketika pembeli meluncurkan produk Anda AWS Marketplace, model dan algoritme digunakan tanpa akses jaringan. SageMaker AI menyebarkan gambar di lingkungan tanpa akses ke jaringan atau titik Layanan AWS akhir. Misalnya, image container tidak dapat melakukan panggilan API keluar ke layanan di internet, titik akhir [VPC](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-endpoints.html), atau lainnya. Layanan AWS
## Keamanan data pelanggan
Produk Anda berjalan di SageMaker AI di dalam pembeli Akun AWS. Jadi, ketika pembeli menggunakan produk Anda untuk melakukan inferensi data, Anda sebagai penjual tidak dapat mengakses data mereka.
Untuk produk algoritme, artefak model dikeluarkan oleh gambar pelatihan Anda setelah setiap pekerjaan pelatihan. Artefak model disimpan di akun pembeli. Artefak model dari pekerjaan pelatihan digunakan saat pembeli menyebarkan model dengan gambar inferensi Anda. Untuk melindungi kekayaan intelektual apa pun yang mungkin terkandung dalam artefak model, enkripsi sebelum mengeluarkannya.
**penting**
Model keamanan ini mencegah kode Anda mengakses internet selama runtime. Oleh karena itu, kode Anda tidak dapat menggunakan sumber daya atau pustaka dari internet, jadi paketkan dependensi Anda dalam image container Docker. Ini sangat penting jika Anda memilih untuk mengenkripsi artefak keluaran Anda dari pekerjaan pelatihan. Kunci untuk mengenkripsi dan mendekripsi artefak tidak dapat diakses melalui internet saat runtime. Mereka harus dikemas dengan gambar Anda.
Untuk informasi selengkapnya, lihat [Keamanan di Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/security.html).
# Laporan pembelajaran mesin di AWS Marketplace
AWS Marketplace menghasilkan laporan untuk produk SageMaker AI Amazon Anda yang mencakup data tentang pembeli, keuangan, penggunaan, dan pajak. Semua laporan tersedia Portal Manajemen AWS Marketplace di [halaman Laporan](https://aws.amazon.com/marketplace/management/reports). Untuk informasi selengkapnya, lihat [Laporan Penjual](https://docs.aws.amazon.com/marketplace/latest/userguide/Reporting.html). Bagian berikut memberikan informasi ringkasan tentang laporan untuk produk pembelajaran mesin.
**Topics**
+ [Laporan bisnis harian](#ml-daily-business-report)
+ [Laporan pendapatan bulanan](#ml-monthly-revenue-report)
+ [Laporan pencairan](#ml-disbursement-report)
+ [Laporan dan analisis lainnya](#ml-other-reports)
## Laporan bisnis harian
Laporan bisnis harian menyediakan jenis instans, jam penggunaan, pendapatan dari biaya perangkat lunak, dan detail lainnya untuk setiap pembeli dan produk. Pembeli dapat diidentifikasi dengan Akun AWS ID mereka. Untuk informasi selengkapnya, lihat [Laporan bisnis harian](https://docs.aws.amazon.com/marketplace/latest/userguide/daily-business-report.html).
## Laporan pendapatan bulanan
Laporan pendapatan bulanan memberi Anda pendapatan bulanan yang telah ditagih kepada pembeli Anda karena menggunakan perangkat lunak Anda. Untuk informasi selengkapnya, lihat [Laporan pendapatan tagihan bulanan](https://docs.aws.amazon.com/marketplace/latest/userguide/monthly-billed-revenue-report.html).
## Laporan pencairan
Laporan pencairan bulanan memberikan rincian semua dana yang dikumpulkan atas nama Anda selama periode penyelesaian untuk biaya perangkat lunak Anda. Jumlah total penyelesaian yang tercermin dalam laporan harus sesuai dengan jumlah yang disetorkan ke rekening bank Anda. Untuk informasi lebih lanjut, lihat [Laporan Pencairan](https://docs.aws.amazon.com/marketplace/latest/userguide/monthly-disbursement-report.html).
## Laporan dan analisis lainnya
Untuk laporan lain yang tersedia, lihat [Laporan penjual](https://docs.aws.amazon.com/marketplace/latest/userguide/dashboards.html).
Anda juga dapat membuat laporan kustom menggunakan yang tersedia [Umpan data pengiriman penjual di AWS Marketplace](data-feed-service.md) dari AWS Marketplace.
# Mempersiapkan produk Anda di SageMaker AI
Sebelum Anda dapat mempublikasikan produk Anda AWS Marketplace, Anda harus menyiapkannya di Amazon SageMaker AI. Ada dua jenis produk SageMaker AI yang tercantum dalam AWS Marketplace: paket model dan algoritma. Untuk informasi selengkapnya, lihat [Produk pembelajaran mesin di AWS Marketplace](machine-learning-products.md). Topik ini memberikan ikhtisar dari tiga langkah yang diperlukan untuk menyiapkan produk Anda:
1. [Mengemas kode Anda ke dalam gambar untuk produk pembelajaran mesin di AWS Marketplace](ml-packaging-your-code-into-images.md)— Untuk menyiapkan paket model atau produk algoritma, Anda harus membuat gambar kontainer Docker untuk produk Anda.
1. [Mengunggah gambar Anda ke Amazon Elastic Container Registry](ml-uploading-your-images.md)— Setelah mengemas kode Anda dalam gambar kontainer dan mengujinya secara lokal, unggah gambar dan pindai untuk mengetahui kerentanan yang diketahui. Perbaiki kerentanan apa pun sebelum melanjutkan.
1. [Membuat sumber daya Amazon SageMaker AI Anda](ml-creating-your-amazon-sagemaker-resource.md)— Setelah gambar Anda berhasil dipindai, Anda dapat menggunakannya untuk membuat paket model atau sumber daya algoritme di SageMaker AI.
# Mengemas kode Anda ke dalam gambar untuk produk pembelajaran mesin di AWS Marketplace
Produk pembelajaran mesin AWS Marketplace menggunakan Amazon SageMaker AI untuk membuat dan menjalankan logika pembelajaran mesin yang Anda sediakan untuk pembeli. SageMaker AI menjalankan gambar kontainer Docker yang berisi logika Anda. SageMaker AI menjalankan kontainer ini dalam infrastruktur yang aman dan terukur. Untuk informasi selengkapnya, lihat [Keamanan dan kekayaan intelektual dengan Amazon SageMaker AI](ml-security-and-intellectual-property.md). Bagian berikut memberikan informasi tentang cara mengemas kode Anda ke dalam gambar kontainer Docker untuk SageMaker AI.
**Topics**
+ [Jenis gambar kontainer apa yang saya buat?](#ml-which-type-of-container-image-do-i-create)
+ [Membuat gambar paket model](ml-model-package-images.md)
+ [Membuat gambar algoritme](ml-algorithm-images.md)
## Jenis gambar kontainer apa yang saya buat?
Dua jenis gambar kontainer adalah gambar inferensi dan gambar pelatihan.
Untuk membuat produk paket model, Anda hanya perlu gambar inferensi. Untuk petunjuk mendetail, lihat [Membuat gambar paket model](ml-model-package-images.md).
Untuk membuat produk algoritme, Anda memerlukan gambar pelatihan dan inferensi. Untuk petunjuk mendetail, lihat [Membuat gambar algoritme](ml-algorithm-images.md).
Untuk mengemas kode dengan benar ke dalam gambar kontainer, wadah harus mematuhi struktur file SageMaker AI. Container harus mengekspos endpoint yang benar untuk memastikan bahwa layanan dapat meneruskan data ke dan dari container Anda. Bagian berikut menjelaskan rincian proses ini.
**penting**
Untuk tujuan keamanan, ketika pembeli berlangganan produk kontainer Anda, kontainer Docker berjalan di lingkungan yang terisolasi tanpa koneksi internet. Saat Anda membuat kontainer, jangan mengandalkan panggilan keluar melalui internet karena mereka akan gagal. Panggilan ke juga Layanan AWS akan gagal. Untuk informasi selengkapnya, lihat bagian [Keamanan dan kekayaan intelektual dengan Amazon SageMaker AI](ml-security-and-intellectual-property.md).
Secara opsional, saat membuat gambar inferensi dan pelatihan Anda, gunakan wadah dari [Available Deep Learning Containers Images](https://aws.amazon.com/releasenotes/available-deep-learning-containers-images/) sebagai titik awal. Gambar sudah dikemas dengan benar dengan kerangka kerja pembelajaran mesin yang berbeda.
# Membuat gambar paket model
Paket model Amazon SageMaker AI adalah model pra-terlatih yang membuat prediksi dan tidak memerlukan pelatihan lebih lanjut oleh pembeli. Anda dapat membuat paket model di SageMaker AI dan mempublikasikan produk pembelajaran mesin Anda di AWS Marketplace. Bagian berikut Anda cara membuat paket model untuk AWS Marketplace. Ini termasuk membuat gambar kontainer dan membangun serta menguji gambar secara lokal.
**Topics**
+ [Ikhtisar](#ml-model-package-images-overview)
+ [Buat gambar inferensi untuk paket model](#ml-creating-an-inference-image-for-model-packages)
## Ikhtisar
Paket model mencakup komponen-komponen berikut:
+ Gambar inferensi yang disimpan di [Amazon Elastic Container Registry](https://aws.amazon.com/ecr/) (Amazon ECR)
+ (Opsional) Artefak model, disimpan secara terpisah di [Amazon](https://aws.amazon.com/s3/) S3
**catatan**
Artefak model adalah file yang digunakan model Anda untuk membuat prediksi dan umumnya merupakan hasil dari proses pelatihan Anda sendiri. Artefak dapat berupa jenis file apa pun yang dibutuhkan oleh model Anda tetapi harus kompresi use.tar.gz. Untuk paket model, paket tersebut dapat dibundel dalam gambar inferensi Anda atau disimpan secara terpisah di Amazon SageMaker AI. Artefak model yang disimpan di Amazon S3 dimuat ke dalam wadah inferensi saat runtime. Saat mempublikasikan paket model Anda, artefak tersebut diterbitkan dan disimpan dalam bucket Amazon S3 AWS Marketplace milik yang tidak dapat diakses oleh pembeli secara langsung.
**Tip**
Jika model inferensi Anda dibangun dengan kerangka pembelajaran mendalam seperti Gluon, Keras,,,, TensorFlow -Lite MXNet PyTorch TensorFlow, atau ONNX, pertimbangkan untuk menggunakan Amazon AI Neo. SageMaker Neo dapat secara otomatis mengoptimalkan model inferensi yang diterapkan ke keluarga jenis instance cloud tertentu seperti`ml.c4`,`ml.p2`, dan lainnya. Untuk informasi selengkapnya, lihat [Mengoptimalkan kinerja model menggunakan Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html) di *Panduan Pengembang Amazon SageMaker AI*.
Diagram berikut menunjukkan alur kerja untuk menerbitkan dan menggunakan produk paket model.
![\[Diagram bagaimana penjual membuat gambar paket model dan bagaimana pembeli menggunakannya.\]](http://docs.aws.amazon.com/id_id/marketplace/latest/userguide/images/ml-model-package-images.png)
Alur kerja untuk membuat paket model SageMaker AI AWS Marketplace mencakup langkah-langkah berikut:
1. Penjual membuat gambar inferensi (tidak ada akses jaringan saat digunakan) dan mendorongnya ke Amazon ECR Registry.
Artefak model dapat dibundel dalam gambar inferensi atau disimpan secara terpisah di S3.
1. Penjual kemudian membuat sumber daya paket model di Amazon SageMaker AI dan menerbitkan produk ML-nya. AWS Marketplace
1. Pembeli berlangganan produk ML dan menyebarkan model.
**catatan**
Model ini dapat digunakan sebagai titik akhir untuk inferensi waktu nyata atau sebagai pekerjaan batch untuk mendapatkan prediksi untuk seluruh kumpulan data sekaligus. Untuk informasi selengkapnya, lihat [Menerapkan Model untuk Inferensi](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
1. SageMaker AI menjalankan gambar inferensi. Artefak model apa pun yang disediakan penjual yang tidak dibundel dalam gambar inferensi dimuat secara dinamis saat runtime.
1. SageMaker AI meneruskan data inferensi pembeli ke wadah dengan menggunakan titik akhir HTTP kontainer dan mengembalikan hasil prediksi.
## Buat gambar inferensi untuk paket model
Bagian ini memberikan panduan untuk mengemas kode inferensi Anda ke dalam gambar inferensi untuk produk paket model Anda. Prosesnya terdiri dari langkah-langkah berikut:
**Topics**
+ [Langkah 1: Buat gambar wadah](#ml-step-1-creating-the-container-image)
+ [Langkah 2: Membangun dan menguji gambar secara lokal](#ml-step-2-building-and-testing-the-image-locally)
Gambar inferensi adalah gambar Docker yang berisi logika inferensi Anda. Container saat runtime mengekspos titik akhir HTTP untuk memungkinkan SageMaker AI meneruskan data ke dan dari container Anda.
**catatan**
Berikut ini hanya satu contoh kode kemasan untuk gambar inferensi. Untuk informasi selengkapnya, lihat [Menggunakan kontainer Docker dengan SageMaker AWS Marketplace SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html) [dan contoh AI](https://github.com/aws/amazon-sagemaker-examples/tree/master/aws_marketplace). GitHub
Contoh berikut menggunakan layanan web, [Flask](https://pypi.org/project/Flask/), untuk kesederhanaan, dan tidak dianggap siap produksi.
### Langkah 1: Buat gambar wadah
Agar gambar inferensi kompatibel dengan SageMaker AI, image Docker harus mengekspos titik akhir HTTP. Saat container Anda berjalan, SageMaker AI meneruskan input pembeli untuk inferensi ke titik akhir HTTP container. Hasil inferensi dikembalikan di badan respons HTTP.
Panduan berikut menggunakan CLI Docker di lingkungan pengembangan menggunakan distribusi Linux Ubuntu.
+ [Buat skrip server web](#ml-create-the-web-server-script)
+ [Buat skrip untuk container run](#ml-create-the-script-for-the-container-run)
+ [Buat `Dockerfile`](#ml-create-the-dockerfile)
+ [Package atau upload artefak model](#ml-package-or-upload-the-model-artifacts)
#### Buat skrip server web
Contoh ini menggunakan server Python yang disebut [Flask](https://pypi.org/project/Flask/), tetapi Anda dapat menggunakan server web apa pun yang berfungsi untuk kerangka kerja Anda.
**catatan**
[Labu](https://pypi.org/project/Flask/) digunakan di sini untuk kesederhanaan. Ini tidak dianggap sebagai server web siap produksi.
Buat skrip server web Flask yang melayani dua titik akhir HTTP pada port TCP 8080 yang digunakan AI. SageMaker Berikut ini adalah dua titik akhir yang diharapkan:
+ `/ping`— SageMaker AI membuat permintaan HTTP GET ke titik akhir ini untuk memeriksa apakah wadah Anda sudah siap. Ketika penampung Anda siap, ia merespons permintaan HTTP GET di titik akhir ini dengan kode respons HTTP 200.
+ `/invocations`— SageMaker AI membuat permintaan HTTP POST ke titik akhir ini untuk inferensi. Data input untuk inferensi dikirim dalam badan permintaan. Jenis konten yang ditentukan pengguna diteruskan di header HTTP. Tubuh respons adalah output inferensi. Untuk detail tentang batas waktu, lihat[Persyaratan dan praktik terbaik untuk membuat produk pembelajaran mesin](ml-listing-requirements-and-best-practices.md).
**`./web_app_serve.py`**
```
# Import modules
import json
import re
from flask import Flask
from flask import request
app = Flask(__name__)
# Create a path for health checks
@app.route("/ping")
def endpoint_ping():
return ""
# Create a path for inference
@app.route("/invocations", methods=["POST"])
def endpoint_invocations():
# Read the input
input_str = request.get_data().decode("utf8")
# Add your inference code between these comments.
#
#
#
#
#
# Add your inference code above this comment.
# Return a response with a prediction
response = {"prediction":"a","text":input_str}
return json.dumps(response)
```
Pada contoh sebelumnya, tidak ada logika inferensi yang sebenarnya. Untuk gambar inferensi Anda yang sebenarnya, tambahkan logika inferensi ke dalam aplikasi web sehingga memproses input dan mengembalikan prediksi yang sebenarnya.
Gambar inferensi Anda harus berisi semua dependensi yang diperlukan karena tidak akan memiliki akses internet, juga tidak akan dapat melakukan panggilan ke salah satu. Layanan AWS
**catatan**
Kode yang sama ini dipanggil untuk inferensi real-time dan batch
#### Buat skrip untuk container run
Buat skrip bernama `serve` SageMaker AI berjalan saat menjalankan image container Docker. Script berikut memulai server web HTTP.
**`./serve`**
```
#!/bin/bash
# Run flask server on port 8080 for SageMaker
flask run --host 0.0.0.0 --port 8080
```
#### Buat `Dockerfile`
Buat `Dockerfile` dalam konteks build Anda. Contoh ini menggunakan Ubuntu 18.04, tetapi Anda dapat memulai dari gambar dasar apa pun yang berfungsi untuk kerangka kerja Anda.
`./Dockerfile`
```
FROM ubuntu:18.04
# Specify encoding
ENV LC_ALL=C.UTF-8
ENV LANG=C.UTF-8
# Install python-pip
RUN apt-get update \
&& apt-get install -y python3.6 python3-pip \
&& ln -s /usr/bin/python3.6 /usr/bin/python \
&& ln -s /usr/bin/pip3 /usr/bin/pip;
# Install flask server
RUN pip install -U Flask;
# Add a web server script to the image
# Set an environment to tell flask the script to run
COPY /web_app_serve.py /web_app_serve.py
ENV FLASK_APP=/web_app_serve.py
# Add a script that Amazon SageMaker AI will run
# Set run permissions
# Prepend program directory to $PATH
COPY /serve /opt/program/serve
RUN chmod 755 /opt/program/serve
ENV PATH=/opt/program:${PATH}
```
`Dockerfile`Menambahkan dua skrip yang dibuat sebelumnya ke gambar. Direktori `serve` skrip ditambahkan ke PATH sehingga dapat berjalan ketika wadah berjalan.
#### Package atau upload artefak model
Dua cara untuk menyediakan artefak model mulai dari melatih model hingga gambar inferensi adalah sebagai berikut:
+ Dikemas secara statis dengan gambar inferensi.
+ Dimuat secara dinamis saat runtime. Karena dimuat secara dinamis, Anda dapat menggunakan gambar yang sama untuk mengemas model pembelajaran mesin yang berbeda.
Jika Anda ingin mengemas artefak model Anda dengan gambar inferensi, sertakan artefak di. `Dockerfile`
Jika Anda ingin memuat artefak model secara dinamis, simpan artefak tersebut secara terpisah dalam file terkompresi (.tar.gz) di Amazon S3. Saat membuat paket model, tentukan lokasi file terkompresi, dan SageMaker AI mengekstrak dan menyalin konten ke direktori container `/opt/ml/model/` saat menjalankan container Anda. Saat mempublikasikan paket model Anda, artefak tersebut diterbitkan dan disimpan dalam bucket Amazon S3 AWS Marketplace milik yang tidak dapat diakses oleh pembeli secara langsung.
### Langkah 2: Membangun dan menguji gambar secara lokal
Dalam konteks build, file berikut sekarang ada:
+ `./Dockerfile`
+ `./web_app_serve.py`
+ `./serve`
+ Logika inferensi dan dependensi (opsional) Anda
Selanjutnya membangun, menjalankan, dan menguji image container.
#### Bangun citra
Jalankan perintah Docker dalam konteks build untuk membangun dan menandai gambar. Contoh ini menggunakan tag`my-inference-image`.
```
sudo docker build --tag my-inference-image ./
```
Setelah menjalankan perintah Docker ini untuk membangun gambar, Anda akan melihat output saat Docker membangun gambar berdasarkan setiap baris di baris Anda. `Dockerfile` Setelah selesai, Anda akan melihat sesuatu yang mirip dengan yang berikut ini.
```
Successfully built abcdef123456
Successfully tagged my-inference-image:latest
```
#### Jalankan secara lokal
Setelah build selesai, Anda dapat menguji gambar secara lokal.
```
sudo docker run \
--rm \
--publish 8080:8080/tcp \
--detach \
--name my-inference-container \
my-inference-image \
serve
```
Berikut ini adalah detail tentang perintah:
+ `--rm`- Secara otomatis menghapus wadah setelah berhenti.
+ `--publish 8080:8080/tcp`— Paparkan port 8080 untuk mensimulasikan port tempat SageMaker AI mengirimkan permintaan HTTP.
+ `--detach`— Jalankan wadah di latar belakang.
+ `--name my-inference-container`— Beri nama wadah yang sedang berjalan ini.
+ `my-inference-image`— Jalankan gambar yang dibangun.
+ `serve`— Jalankan skrip yang sama dengan yang dijalankan SageMaker AI saat menjalankan container.
Setelah menjalankan perintah ini, Docker membuat wadah dari gambar inferensi yang Anda buat dan menjalankannya di latar belakang. Wadah menjalankan `serve` skrip, yang meluncurkan server web Anda untuk tujuan pengujian.
#### Uji titik akhir HTTP ping
Saat SageMaker AI menjalankan wadah Anda, ia secara berkala melakukan ping ke titik akhir. Ketika titik akhir mengembalikan respons HTTP dengan kode status 200, itu memberi sinyal ke SageMaker AI bahwa wadah siap untuk inferensi. Anda dapat menguji ini dengan menjalankan perintah berikut, yang menguji titik akhir dan menyertakan header respons.
```
curl --include http://127.0.0.1:8080/ping
```
Contoh output adalah sebagai berikut.
```
HTTP/1.0 200 OK
Content-Type: text/html; charset=utf-8
Content-Length: 0
Server: MyServer/0.16.0 Python/3.6.8
Date: Mon, 21 Oct 2019 06:58:54 GMT
```
#### Uji titik akhir HTTP inferensi
Ketika penampung menunjukkan siap dengan mengembalikan kode status 200 ke ping Anda, SageMaker AI meneruskan data inferensi ke titik akhir `/invocations` HTTP melalui permintaan. `POST` Uji titik inferensi dengan menjalankan perintah berikut.
```
curl \
--request POST \
--data "hello world" \
http://127.0.0.1:8080/invocations
```
Contoh output adalah sebagai berikut.
`{"prediction": "a", "text": "hello world"}`
Dengan dua titik akhir HTTP ini berfungsi, gambar inferensi sekarang kompatibel dengan SageMaker AI.
**catatan**
Model produk paket model Anda dapat digunakan dalam dua cara: real time dan batch. Di kedua penerapan, SageMaker AI menggunakan titik akhir HTTP yang sama saat menjalankan wadah Docker.
Untuk menghentikan wadah, jalankan perintah berikut.
```
sudo docker container stop my-inference-container
```
Ketika gambar inferensi Anda siap dan diuji, Anda dapat melanjutkan[Mengunggah gambar Anda ke Amazon Elastic Container Registry](ml-uploading-your-images.md).
# Membuat gambar algoritme
Algoritma Amazon SageMaker AI mengharuskan pembeli membawa data mereka sendiri untuk dilatih sebelum membuat prediksi. Sebagai AWS Marketplace penjual, Anda dapat menggunakan SageMaker AI untuk membuat algoritma pembelajaran mesin (ML) dan model yang dapat digunakan pembeli Anda. AWS Bagian berikut Anda cara membuat gambar algoritma untuk AWS Marketplace. Ini termasuk membuat image pelatihan Docker untuk melatih algoritme Anda dan gambar inferensi yang berisi logika inferensi Anda. Baik gambar pelatihan dan inferensi diperlukan saat menerbitkan produk algoritme.
**Topics**
+ [Ikhtisar](#ml-algorithm-images-overview)
+ [Membuat gambar pelatihan untuk algoritme](#ml-creating-a-training-image-for-algorithms)
+ [Membuat gambar inferensi untuk algoritme](#ml-creating-an-inference-image-for-algorithms)
## Ikhtisar
Algoritma mencakup komponen-komponen berikut:
+ Gambar pelatihan yang disimpan di [Amazon ECR](https://aws.amazon.com/ecr/)
+ Gambar inferensi yang disimpan di Amazon Elastic Container Registry (Amazon ECR)
**catatan**
Untuk produk algoritme, wadah pelatihan menghasilkan artefak model yang dimuat ke dalam wadah inferensi pada penerapan model.
Diagram berikut menunjukkan alur kerja untuk menerbitkan dan menggunakan produk algoritma.
![\[Diagram bagaimana penjual membuat gambar paket algoritma dan bagaimana pembeli menggunakannya.\]](http://docs.aws.amazon.com/id_id/marketplace/latest/userguide/images/ml-algorithm-package-images.png)
Alur kerja untuk membuat algoritme SageMaker AI AWS Marketplace mencakup langkah-langkah berikut:
1. Penjual membuat gambar pelatihan dan gambar inferensi (tidak ada akses jaringan saat digunakan) dan mengunggahnya ke Amazon ECR Registry.
1. Penjual kemudian membuat sumber daya algoritme di Amazon SageMaker AI dan menerbitkan produk ML-nya. AWS Marketplace
1. Pembeli berlangganan produk ML.
1. Pembeli membuat pekerjaan pelatihan dengan dataset yang kompatibel dan nilai hyperparameter yang sesuai. SageMaker AI menjalankan gambar pelatihan dan memuat data pelatihan dan hiperparameter ke dalam wadah pelatihan. [Ketika pekerjaan pelatihan selesai, artefak model yang terletak di `/opt/ml/model/` dikompresi dan disalin ke ember Amazon S3 pembeli.](https://aws.amazon.com/s3/)
1. Pembeli membuat paket model dengan artefak model dari pelatihan yang disimpan di Amazon S3 dan menyebarkan model.
1. SageMaker AI menjalankan gambar inferensi, mengekstrak artefak model terkompresi, dan memuat file ke dalam jalur direktori kontainer inferensi `/opt/ml/model/` di mana ia dikonsumsi oleh kode yang melayani inferensi.
1. Apakah model diterapkan sebagai titik akhir atau pekerjaan transformasi batch, SageMaker AI meneruskan data untuk inferensi atas nama pembeli ke wadah melalui titik akhir HTTP penampung dan mengembalikan hasil prediksi.
**catatan**
Untuk informasi lebih lanjut, lihat [Model Kereta](https://docs.aws.amazon.com/sagemaker/latest/dg/train-model.html).
## Membuat gambar pelatihan untuk algoritme
Bagian ini memberikan panduan untuk mengemas kode pelatihan Anda ke dalam gambar pelatihan. Gambar pelatihan diperlukan untuk membuat produk algoritme.
*Gambar pelatihan adalah gambar* Docker yang berisi algoritme pelatihan Anda. Wadah mematuhi struktur file tertentu untuk memungkinkan SageMaker AI menyalin data ke dan dari penampung Anda.
Baik gambar pelatihan dan inferensi diperlukan saat menerbitkan produk algoritme. Setelah membuat gambar pelatihan Anda, Anda harus membuat gambar inferensi. Kedua gambar dapat digabungkan menjadi satu gambar atau tetap sebagai gambar terpisah. Apakah akan menggabungkan gambar atau memisahkannya terserah Anda. Biasanya, inferensi lebih sederhana daripada pelatihan, dan Anda mungkin ingin gambar terpisah untuk membantu kinerja inferensi.
**catatan**
Berikut ini hanya satu contoh kode pengemasan untuk gambar pelatihan. Untuk informasi selengkapnya, lihat [Menggunakan algoritme dan model Anda sendiri dengan](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-marketplace.html) [contoh AWS Marketplace dan AWS Marketplace SageMaker AI](https://github.com/aws/amazon-sagemaker-examples/tree/master/aws_marketplace). GitHub
**Topics**
+ [Langkah 1: Membuat gambar kontainer](#ml-step-1-creating-the-container-image-1)
+ [Langkah 2: Membangun dan menguji gambar secara lokal](#ml-step-2-building-and-testing-the-image-locally-1)
### Langkah 1: Membuat gambar kontainer
Agar gambar pelatihan kompatibel dengan Amazon SageMaker AI, gambar harus mematuhi struktur file tertentu agar SageMaker AI dapat menyalin data pelatihan dan input konfigurasi ke jalur tertentu di wadah Anda. Saat pelatihan selesai, artefak model yang dihasilkan disimpan di jalur direktori tertentu di wadah tempat salinan SageMaker AI.
Berikut ini menggunakan CLI Docker yang diinstal di lingkungan pengembangan pada distribusi Ubuntu Linux.
+ [Siapkan program Anda untuk membaca input konfigurasi](#ml-prepare-your-program-to-read-configuration-inputs)
+ [Siapkan program Anda untuk membaca input data](#ml-prepare-your-program-to-read-data-inputs)
+ [Siapkan program Anda untuk menulis output pelatihan](#ml-prepare-your-program-to-write-training-outputs)
+ [Buat skrip untuk container run](#ml-create-the-script-for-the-container-run-1)
+ [Buat `Dockerfile`](#ml-create-the-dockerfile-1)
#### Siapkan program Anda untuk membaca input konfigurasi
Jika program pelatihan Anda memerlukan input konfigurasi yang disediakan pembeli, berikut ini adalah di mana program tersebut disalin ke dalam container Anda saat dijalankan. Jika diperlukan, program Anda harus membaca dari jalur file tertentu.
+ `/opt/ml/input/config`adalah direktori yang berisi informasi yang mengontrol bagaimana program Anda berjalan.
+ `hyperparameters.json`adalah kamus berformat JSON dari nama dan nilai hyperparameter. Nilainya adalah string, jadi Anda mungkin perlu mengonversinya.
+ `resourceConfig.json`[adalah file berformat JSON yang menjelaskan tata letak jaringan yang digunakan untuk pelatihan terdistribusi.](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html#your-algorithms-training-algo-running-container-dist-training) Jika gambar pelatihan Anda tidak mendukung pelatihan terdistribusi, Anda dapat mengabaikan file ini.
**catatan**
Untuk informasi selengkapnya tentang input konfigurasi, lihat [Cara Amazon SageMaker AI Menyediakan Informasi Pelatihan](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html).
#### Siapkan program Anda untuk membaca input data
Data pelatihan dapat diteruskan ke wadah dalam salah satu dari dua mode berikut. Program pelatihan Anda yang berjalan di wadah mencerna data pelatihan di salah satu dari dua mode tersebut.
**Modus berkas**
+ `/opt/ml/input/data//`berisi data input untuk saluran itu. Saluran dibuat berdasarkan panggilan ke `CreateTrainingJob` operasi, tetapi umumnya penting bahwa saluran cocok dengan apa yang diharapkan algoritme. File untuk setiap saluran disalin dari [Amazon](https://aws.amazon.com/s3/) S3 ke direktori ini, mempertahankan struktur pohon yang ditunjukkan oleh struktur kunci Amazon S3.
**Modus pipa**
+ `/opt/ml/input/data/_`adalah pipa untuk zaman tertentu. Epoch dimulai dari nol dan meningkat satu setiap kali Anda membacanya. Tidak ada batasan jumlah epoch yang dapat Anda jalankan, tetapi Anda harus menutup setiap pipa sebelum membaca epoch berikutnya.
#### Siapkan program Anda untuk menulis output pelatihan
Output dari pelatihan ditulis ke direktori kontainer berikut:
+ `/opt/ml/model/`adalah direktori tempat Anda menulis model atau artefak model yang dihasilkan oleh algoritme pelatihan Anda. Model Anda dapat dalam format apa pun yang Anda inginkan. Ini bisa berupa satu file atau seluruh pohon direktori. SageMaker AI mengemas file apa pun di direktori ini ke dalam file terkompresi (.tar.gz). File ini tersedia di lokasi Amazon S3 yang dikembalikan oleh operasi `DescribeTrainingJob` API.
+ `/opt/ml/output/`adalah direktori tempat algoritme dapat menulis `failure` file yang menjelaskan mengapa pekerjaan gagal. Isi file ini dikembalikan di `FailureReason` bidang `DescribeTrainingJob` hasil. Untuk pekerjaan yang berhasil, tidak ada alasan untuk menulis file ini karena diabaikan.
#### Buat skrip untuk container run
Buat skrip `train` shell yang dijalankan SageMaker AI saat menjalankan image container Docker. Ketika pelatihan selesai dan artefak model ditulis ke direktori masing-masing, keluar dari skrip.
**`./train`**
```
#!/bin/bash
# Run your training program here
#
#
#
#
```
#### Buat `Dockerfile`
Buat `Dockerfile` dalam konteks build Anda. Contoh ini menggunakan Ubuntu 18.04 sebagai gambar dasar, tetapi Anda dapat mulai dari gambar dasar apa pun yang berfungsi untuk kerangka kerja Anda.
**`./Dockerfile`**
```
FROM ubuntu:18.04
# Add training dependencies and programs
#
#
#
#
#
# Add a script that SageMaker AI will run
# Set run permissions
# Prepend program directory to $PATH
COPY /train /opt/program/train
RUN chmod 755 /opt/program/train
ENV PATH=/opt/program:${PATH}
```
`Dockerfile`Menambahkan `train` skrip yang dibuat sebelumnya ke gambar. Direktori skrip ditambahkan ke PATH sehingga dapat berjalan ketika wadah berjalan.
Pada contoh sebelumnya, tidak ada logika pelatihan yang sebenarnya. Untuk gambar pelatihan Anda yang sebenarnya, tambahkan dependensi pelatihan ke`Dockerfile`, dan tambahkan logika untuk membaca input pelatihan untuk melatih dan menghasilkan artefak model.
Gambar pelatihan Anda harus berisi semua dependensi yang diperlukan karena tidak akan memiliki akses internet.
Untuk informasi selengkapnya, lihat [Menggunakan algoritme dan model Anda sendiri dengan](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-marketplace.html) [contoh AWS Marketplace dan AWS Marketplace SageMaker AI](https://github.com/aws/amazon-sagemaker-examples/tree/master/aws_marketplace). GitHub
### Langkah 2: Membangun dan menguji gambar secara lokal
Dalam konteks build, file berikut sekarang ada:
+ `./Dockerfile`
+ `./train`
+ Ketergantungan dan logika pelatihan Anda
Selanjutnya Anda dapat membangun, menjalankan, dan menguji image container ini.
#### Bangun citra
Jalankan perintah Docker dalam konteks build untuk membangun dan menandai gambar. Contoh ini menggunakan tag`my-training-image`.
```
sudo docker build --tag my-training-image ./
```
Setelah menjalankan perintah Docker ini untuk membangun gambar, Anda akan melihat output saat Docker membangun gambar berdasarkan setiap baris di baris Anda. `Dockerfile` Setelah selesai, Anda akan melihat sesuatu yang mirip dengan yang berikut ini.
```
Successfully built abcdef123456
Successfully tagged my-training-image:latest
```
#### Jalankan secara lokal
Setelah itu selesai, uji gambar secara lokal seperti yang ditunjukkan pada contoh berikut.
```
sudo docker run \
--rm \
--volume ':/opt/ml/input:ro' \
--volume ':/opt/ml/model' \
--volume ':/opt/ml/output' \
--name my-training-container \
my-training-image \
train
```
Berikut ini adalah detail perintah:
+ `--rm`- Secara otomatis menghapus wadah setelah berhenti.
+ `--volume ':/opt/ml/input:ro'`— Jadikan direktori input pengujian tersedia untuk wadah sebagai hanya-baca.
+ `--volume ':/opt/ml/model'`— Bind mount jalur tempat artefak model disimpan di mesin host saat tes pelatihan selesai.
+ `--volume ':/opt/ml/output'`— Bind mount path di mana alasan kegagalan dalam `failure` file ditulis pada mesin host.
+ `--name my-training-container`— Beri nama wadah yang sedang berjalan ini.
+ `my-training-image`— Jalankan gambar yang dibangun.
+ `train`— Jalankan skrip yang sama yang dijalankan SageMaker AI saat menjalankan wadah.
Setelah menjalankan perintah ini, Docker membuat wadah dari gambar pelatihan yang Anda buat dan menjalankannya. Wadah menjalankan `train` skrip, yang memulai program pelatihan Anda.
Setelah program pelatihan Anda selesai dan wadah keluar, periksa apakah artefak model keluaran sudah benar. Selain itu, periksa keluaran log untuk mengonfirmasi bahwa mereka tidak menghasilkan log yang tidak Anda inginkan, sambil memastikan informasi yang cukup diberikan tentang pekerjaan pelatihan.
Ini melengkapi pengemasan kode pelatihan Anda untuk produk algoritme. Karena produk algoritme juga menyertakan gambar inferensi, lanjutkan ke bagian berikutnya,[Membuat gambar inferensi untuk algoritme](#ml-creating-an-inference-image-for-algorithms).
## Membuat gambar inferensi untuk algoritme
Bagian ini memberikan panduan untuk mengemas kode inferensi Anda ke dalam gambar inferensi untuk produk algoritme Anda.
Gambar inferensi adalah gambar Docker yang berisi logika inferensi Anda. Container saat runtime mengekspos titik akhir HTTP untuk memungkinkan SageMaker AI meneruskan data ke dan dari container Anda.
Baik gambar pelatihan dan inferensi diperlukan saat menerbitkan produk algoritme. Jika Anda belum melakukannya, lihat bagian sebelumnya tentang[Membuat gambar pelatihan untuk algoritme](#ml-creating-a-training-image-for-algorithms). Kedua gambar dapat digabungkan menjadi satu gambar atau tetap sebagai gambar terpisah. Apakah akan menggabungkan gambar atau memisahkannya terserah Anda. Biasanya, inferensi lebih sederhana daripada pelatihan, dan Anda mungkin ingin gambar terpisah untuk membantu kinerja inferensi.
**catatan**
Berikut ini hanya satu contoh kode kemasan untuk gambar inferensi. Untuk informasi selengkapnya, lihat [Menggunakan algoritme dan model Anda sendiri dengan](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-marketplace.html) [contoh AWS Marketplace dan AWS Marketplace SageMaker AI](https://github.com/aws/amazon-sagemaker-examples/tree/master/aws_marketplace). GitHub
Contoh berikut menggunakan layanan web, [Flask](https://pypi.org/project/Flask/), untuk kesederhanaan, dan tidak dianggap siap produksi.
**Topics**
+ [Langkah 1: Membuat gambar inferensi](#ml-step-1-creating-the-inference-image)
+ [Langkah 2: Membangun dan menguji gambar secara lokal](#ml-step-2-building-and-testing-the-image-locally-2)
### Langkah 1: Membuat gambar inferensi
Agar gambar inferensi kompatibel dengan SageMaker AI, image Docker harus mengekspos titik akhir HTTP. Saat container Anda berjalan, SageMaker AI meneruskan input untuk inferensi yang diberikan oleh pembeli ke titik akhir HTTP container Anda. Hasil inferensi dikembalikan dalam tubuh respons HTTP.
Berikut ini menggunakan CLI Docker yang diinstal di lingkungan pengembangan pada distribusi Ubuntu Linux.
+ [Buat skrip server web](#ml-create-the-web-server-script-1)
+ [Buat skrip untuk container run](#ml-create-the-script-for-the-container-run-2)
+ [Buat `Dockerfile`](#ml-create-the-dockerfile-2)
+ [Mempersiapkan program Anda untuk memuat artefak model secara dinamis](#ml-preparing-your-program-to-dynamically-load-model-artifacts)
#### Buat skrip server web
Contoh ini menggunakan server Python yang disebut [Flask](https://pypi.org/project/Flask/), tetapi Anda dapat menggunakan server web apa pun yang berfungsi untuk kerangka kerja Anda.
**catatan**
[Labu](https://pypi.org/project/Flask/) digunakan di sini untuk kesederhanaan. Ini tidak dianggap sebagai server web siap produksi.
Buat skrip server web Flask yang melayani dua titik akhir HTTP pada port TCP 8080 yang digunakan AI. SageMaker Berikut ini adalah dua titik akhir yang diharapkan:
+ `/ping`— SageMaker AI membuat permintaan HTTP GET ke titik akhir ini untuk memeriksa apakah wadah Anda sudah siap. Ketika penampung Anda siap, ia merespons permintaan HTTP GET di titik akhir ini dengan kode respons HTTP 200.
+ `/invocations`— SageMaker AI membuat permintaan HTTP POST ke titik akhir ini untuk inferensi. Data input untuk inferensi dikirim dalam badan permintaan. Jenis konten yang ditentukan pengguna diteruskan di header HTTP. Tubuh respons adalah output inferensi.
**`./web_app_serve.py`**
```
# Import modules
import json
import re
from flask import Flask
from flask import request
app = Flask(__name__)
# Create a path for health checks
@app.route("/ping")
def endpoint_ping():
return ""
# Create a path for inference
@app.route("/invocations", methods=["POST"])
def endpoint_invocations():
# Read the input
input_str = request.get_data().decode("utf8")
# Add your inference code here.
#
#
#
#
#
# Add your inference code here.
# Return a response with a prediction
response = {"prediction":"a","text":input_str}
return json.dumps(response)
```
Pada contoh sebelumnya, tidak ada logika inferensi yang sebenarnya. Untuk gambar inferensi Anda yang sebenarnya, tambahkan logika inferensi ke dalam aplikasi web sehingga memproses input dan mengembalikan prediksi.
Gambar inferensi Anda harus berisi semua dependensi yang diperlukan karena tidak akan memiliki akses internet.
#### Buat skrip untuk container run
Buat skrip bernama `serve` SageMaker AI berjalan saat menjalankan image container Docker. Dalam skrip ini, mulai server web HTTP.
**`./serve`**
```
#!/bin/bash
# Run flask server on port 8080 for SageMaker AI
flask run --host 0.0.0.0 --port 8080
```
#### Buat `Dockerfile`
Buat `Dockerfile` dalam konteks build Anda. Contoh ini menggunakan Ubuntu 18.04, tetapi Anda dapat memulai dari gambar dasar apa pun yang berfungsi untuk kerangka kerja Anda.
**`./Dockerfile`**
```
FROM ubuntu:18.04
# Specify encoding
ENV LC_ALL=C.UTF-8
ENV LANG=C.UTF-8
# Install python-pip
RUN apt-get update \
&& apt-get install -y python3.6 python3-pip \
&& ln -s /usr/bin/python3.6 /usr/bin/python \
&& ln -s /usr/bin/pip3 /usr/bin/pip;
# Install flask server
RUN pip install -U Flask;
# Add a web server script to the image
# Set an environment to tell flask the script to run
COPY /web_app_serve.py /web_app_serve.py
ENV FLASK_APP=/web_app_serve.py
# Add a script that Amazon SageMaker AI will run
# Set run permissions
# Prepend program directory to $PATH
COPY /serve /opt/program/serve
RUN chmod 755 /opt/program/serve
ENV PATH=/opt/program:${PATH}
```
`Dockerfile`Menambahkan dua skrip yang dibuat sebelumnya ke gambar. Direktori `serve` skrip ditambahkan ke PATH sehingga dapat berjalan ketika wadah berjalan.
#### Mempersiapkan program Anda untuk memuat artefak model secara dinamis
Untuk produk algoritme, pembeli menggunakan kumpulan data mereka sendiri dengan gambar pelatihan Anda untuk menghasilkan artefak model yang unik. Saat proses pelatihan selesai, wadah pelatihan Anda mengeluarkan artefak model ke direktori kontainer. ` /opt/ml/model/` SageMaker AI memampatkan konten dalam direktori itu menjadi file.tar.gz dan menyimpannya di pembeli di Amazon S3. Akun AWS
Saat model diterapkan, SageMaker AI menjalankan gambar inferensi Anda, mengekstrak artefak model dari file.tar.gz yang disimpan di akun pembeli di Amazon S3, dan memuatnya ke wadah inferensi di direktori. `/opt/ml/model/` Saat runtime, kode kontainer inferensi Anda menggunakan data model.
**catatan**
Untuk melindungi kekayaan intelektual apa pun yang mungkin terkandung dalam file artefak model, Anda dapat memilih untuk mengenkripsi file sebelum mengeluarkannya. Untuk informasi selengkapnya, lihat [Keamanan dan kekayaan intelektual dengan Amazon SageMaker AI](ml-security-and-intellectual-property.md).
### Langkah 2: Membangun dan menguji gambar secara lokal
Dalam konteks build, file berikut sekarang ada:
+ `./Dockerfile`
+ `./web_app_serve.py`
+ `./serve`
Selanjutnya Anda dapat membangun, menjalankan, dan menguji image container ini.
#### Bangun citra
Jalankan perintah Docker untuk membangun dan menandai gambar. Contoh ini menggunakan tag`my-inference-image`.
```
sudo docker build --tag my-inference-image ./
```
Setelah menjalankan perintah Docker ini untuk membangun gambar, Anda akan melihat output saat Docker membangun gambar berdasarkan setiap baris di baris Anda. `Dockerfile` Setelah selesai, Anda akan melihat sesuatu yang mirip dengan yang berikut ini.
```
Successfully built abcdef123456
Successfully tagged my-inference-image:latest
```
#### Jalankan secara lokal
Setelah build selesai, Anda dapat menguji gambar secara lokal.
```
sudo docker run \
--rm \
--publish 8080:8080/tcp \
--volume ':/opt/ml/model:ro' \
--detach \
--name my-inference-container \
my-inference-image \
serve
```
Berikut ini adalah detail perintah:
+ `--rm`- Secara otomatis menghapus wadah setelah berhenti.
+ `--publish 8080:8080/tcp`— Ekspos port 8080 untuk mensimulasikan port SageMaker AI mengirimkan permintaan HTTP ke.
+ `--volume ':/opt/ml/model:ro'`— Bind mount path ke tempat artefak model uji disimpan di mesin host sebagai read-only untuk membuatnya tersedia untuk kode inferensi Anda dalam wadah.
+ `--detach`— Jalankan wadah di latar belakang.
+ `--name my-inference-container`— Beri nama wadah yang sedang berjalan ini.
+ `my-inference-image`— Jalankan gambar yang dibangun.
+ `serve`— Jalankan skrip yang sama yang dijalankan SageMaker AI saat menjalankan wadah.
Setelah menjalankan perintah ini, Docker membuat wadah dari gambar inferensi dan menjalankannya di latar belakang. Wadah menjalankan `serve` skrip, yang memulai server web Anda untuk tujuan pengujian.
#### Uji titik akhir HTTP ping
Saat SageMaker AI menjalankan penampung Anda, ia secara berkala melakukan ping ke titik akhir. Ketika titik akhir mengembalikan respons HTTP dengan kode status 200, itu memberi sinyal ke SageMaker AI bahwa wadah siap untuk inferensi.
Jalankan perintah berikut untuk menguji titik akhir dan sertakan header respons.
```
curl --include http://127.0.0.1:8080/ping
```
Contoh output ditunjukkan pada contoh berikut.
```
HTTP/1.0 200 OK
Content-Type: text/html; charset=utf-8
Content-Length: 0
Server: MyServer/0.16.0 Python/3.6.8
Date: Mon, 21 Oct 2019 06:58:54 GMT
```
#### Uji titik akhir HTTP inferensi
Ketika wadah menunjukkan siap dengan mengembalikan kode status 200, SageMaker AI meneruskan data inferensi ke titik akhir `/invocations` HTTP melalui permintaan. `POST`
Jalankan perintah berikut untuk menguji titik akhir inferensi.
```
curl \
--request POST \
--data "hello world" \
http://127.0.0.1:8080/invocations
```
Contoh output ditunjukkan pada contoh berikut..
```
{"prediction": "a", "text": "hello world"}
```
Dengan dua titik akhir HTTP ini berfungsi, gambar inferensi sekarang kompatibel dengan SageMaker AI.
**catatan**
Model produk algoritme Anda dapat digunakan dalam dua cara: waktu nyata dan batch. Untuk kedua penerapan, SageMaker AI menggunakan titik akhir HTTP yang sama saat menjalankan container Docker.
Untuk menghentikan kontainer, jalankan perintah berikut.
```
sudo docker container stop my-inference-container
```
Setelah gambar pelatihan dan inferensi Anda untuk produk algoritme Anda siap dan diuji, lanjutkan ke[Mengunggah gambar Anda ke Amazon Elastic Container Registry](ml-uploading-your-images.md).
# Mengunggah gambar Anda ke Amazon Elastic Container Registry
Setelah membuat gambar inferensi dan pelatihan, Anda dapat mengunggahnya ke Amazon Elastic Container Registry. [Amazon ECR adalah registri](https://aws.amazon.com/ecr/) Docker yang dikelola sepenuhnya. Amazon SageMaker AI menarik gambar dari Amazon ECR untuk membuat paket model untuk inferensi atau algoritma untuk pekerjaan pelatihan. AWS Marketplace juga mengambil gambar-gambar ini dari Amazon ECR untuk mempublikasikan paket model dan produk algoritme Anda. Topik ini memberikan panduan untuk mengunggah inferensi dan gambar pelatihan Anda ke Amazon ECR
**Topics**
+ [Gambar mana yang harus saya unggah?](#ml-which-images-must-i-upload)
+ [Izin IAM apa yang diperlukan?](#ml-what-iam-permissions-are-required)
+ [Log klien Docker Anda ke AWS](#ml-log-in-your-docker-client)
+ [Buat repositori dan unggah gambar](#ml-create-repository-and-upload-image)
+ [Pindai gambar yang Anda unggah](#ml-scan-your-uploaded-image)
## Gambar mana yang harus saya unggah?
Jika Anda menerbitkan paket model, unggah hanya gambar inferensi. Jika Anda menerbitkan algoritme, unggah gambar inferensi dan gambar pelatihan. Jika gambar inferensi dan pelatihan digabungkan, unggah gambar gabungan hanya sekali.
## Izin IAM apa yang diperlukan?
Langkah-langkah berikut mengasumsikan bahwa mesin lokal memiliki AWS kredensyal yang benar untuk peran AWS Identity and Access Management (IAM) atau pengguna di penjual. Akun AWS Peran atau pengguna harus memiliki kebijakan yang benar untuk keduanya AWS Marketplace dan Amazon ECR. Misalnya, Anda dapat menggunakan kebijakan AWS terkelola berikut:
+ [https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AWSMarketplaceSellerProductsFullAccess.html](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AWSMarketplaceSellerProductsFullAccess.html)— Untuk akses ke AWS Marketplace
+ [https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonEC2ContainerRegistryFullAccess.html](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonEC2ContainerRegistryFullAccess.html)— Untuk akses ke Amazon ECR
**catatan**
Tautan akan membawa Anda ke *Referensi Kebijakan AWS Terkelola*.
## Log klien Docker Anda ke AWS
Tetapkan variabel untuk Wilayah AWS yang ingin Anda publikasikan dari (lihat[Didukung Wilayah AWS untuk penerbitan](ml-service-restrictions-and-limits.md#ml-supported-aws-regions-for-publishing)). Untuk contoh ini, gunakan Wilayah Timur AS (Ohio).
```
region=us-east-2
```
Jalankan perintah berikut untuk mengatur variabel dengan Akun AWS ID Anda. Contoh ini mengasumsikan bahwa kredensyal current AWS Command Line Interface (AWS CLI) milik penjual. Akun AWS
```
account=$(aws sts get-caller-identity --query Account --output text)
```
Untuk mengautentikasi klien CLI Docker Anda dengan registri Akun AWS Amazon ECR Docker untuk Wilayah Anda, jalankan perintah berikut.
```
aws ecr get-login-password \
--region ${region} \
| sudo docker login \
--username AWS \
--password-stdin \
${account}.dkr.ecr.${region}.amazonaws.com
```
## Buat repositori dan unggah gambar
Tetapkan variabel untuk tag gambar yang diunggah dan variabel lain untuk nama repositori gambar yang diunggah.
```
image=my-inference-image
repo=my-inference-image
```
**catatan**
Di bagian sebelumnya dari panduan ini di mana gambar inferensi dan pelatihan dibangun, masing-masing diberi tag sebagai **my-inference-image**dan **my-training-image**. Untuk contoh ini, buat dan unggah gambar inferensi ke repositori dengan nama yang sama.
Jalankan perintah berikut untuk membuat repositori gambar di Amazon ECR.
```
aws ecr --region ${region} create-repository --repository-name "${repo}"
```
Nama lengkap lokasi repositori Amazon ECR terdiri dari bagian-bagian berikut: ` .dkr.ecr..amazonaws.com/`
Untuk mendorong gambar ke repositori, Anda harus menandainya dengan nama lengkap lokasi repositori.
Tetapkan variabel untuk nama lengkap lokasi repositori gambar bersama dengan tag. `latest`
```
fullname="${account}.dkr.ecr.${region}.amazonaws.com/${repo}:latest"
```
Tandai gambar dengan nama lengkap.
```
sudo docker tag ${image} ${fullname}
```
Terakhir, dorong gambar inferensi ke repositori di Amazon ECR.
```
sudo docker push ${fullname}
```
Setelah unggahan selesai, gambar muncul di [daftar repositori konsol Amazon ECR](https://console.aws.amazon.com/ecr/repositories?region=us-east-2) di Wilayah tempat Anda menerbitkan. Pada contoh sebelumnya, gambar didorong ke repositori di Wilayah Timur AS (Ohio).
## Pindai gambar yang Anda unggah
Di [konsol Amazon ECR](https://console.aws.amazon.com/ecr/repositories?region=us-east-2), pilih tempat Wilayah AWS Anda menerbitkan, dan buka repositori tempat gambar diunggah. Pilih gambar yang Anda unggah dan mulai pemindaian untuk memeriksa kerentanan yang diketahui. AWS Marketplace memeriksa hasil pemindaian Amazon ECR dari gambar kontainer yang digunakan dalam sumber daya Amazon SageMaker AI Anda sebelum menerbitkannya. Sebelum Anda dapat membuat produk Anda, Anda harus memperbaiki gambar kontainer yang memiliki kerentanan dengan tingkat keparahan Kritis atau Tinggi.
Setelah gambar Anda berhasil dipindai, gambar tersebut dapat digunakan untuk membuat paket model atau sumber daya algoritme.
Jika Anda yakin bahwa produk Anda memiliki kesalahan dalam pemindaian yang positif palsu, hubungi tim [Operasi AWS Marketplace Penjual](https://aws.amazon.com/marketplace/management/contact-us) dengan informasi tentang kesalahan tersebut.
**Langkah selanjutnya**
+ Lihat batas ukuran di [Persyaratan dan praktik terbaik untuk membuat produk pembelajaran mesin](ml-listing-requirements-and-best-practices.md)
+ Lanjutkan ke [Membuat sumber daya Amazon SageMaker AI Anda](ml-creating-your-amazon-sagemaker-resource.md)
# Membuat sumber daya Amazon SageMaker AI Anda
Untuk mempublikasikan paket model atau produk algoritme, Anda harus membuat [sumber daya paket model atau sumber daya](https://docs.aws.amazon.com/marketplace/latest/userguide/ml-creating-your-amazon-sagemaker-resource.html#ml-creating-your-model-package-product) [algoritme](https://docs.aws.amazon.com/marketplace/latest/userguide/ml-creating-your-amazon-sagemaker-resource.html#ml-creating-your-algorithm-product) masing-masing di Amazon SageMaker AI. Ketika Anda membuat sumber daya Anda untuk suatu AWS Marketplace produk, itu harus disertifikasi melalui langkah validasi. Langkah validasi mengharuskan Anda menyediakan data untuk menguji paket model atau sumber daya algoritme Anda sebelum dapat dipublikasikan. Bagian berikut menunjukkan cara membuat sumber daya SageMaker AI Anda, baik sumber daya paket model atau sumber daya algoritme. Ini termasuk pengaturan spesifikasi validasi yang memberi tahu SageMaker AI cara melakukan validasi.
**catatan**
Jika Anda belum membuat gambar untuk produk Anda dan mengunggahnya ke Amazon Elastic Container Registry (Amazon ECR) Registry ECR), lihat [Mengemas kode Anda ke dalam gambar untuk produk pembelajaran mesin di AWS Marketplace](ml-packaging-your-code-into-images.md) dan [Mengunggah gambar Anda ke Amazon Elastic Container Registry](ml-uploading-your-images.md) untuk informasi tentang cara melakukannya.
**Topics**
+ [Membuat paket model Anda](#ml-creating-your-model-package-product)
+ [Membuat algoritme Anda](#ml-creating-your-algorithm-product)
## Membuat paket model Anda
Berikut ini adalah persyaratan untuk membuat paket model untuk AWS Marketplace:
+ Gambar inferensi yang disimpan di [Amazon](https://aws.amazon.com/ecr/) ECR
+ (Opsional) Artefak model, disimpan secara terpisah di [Amazon](https://aws.amazon.com/s3/) S3
+ Data pengujian Anda yang digunakan untuk inferensi, disimpan di Amazon Simple Storage Service
**catatan**
Berikut ini adalah tentang membuat produk paket model. Untuk informasi selengkapnya tentang paket model di SageMaker AI, lihat [Membuat Sumber Daya Paket Model](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-mkt-create-model-package.html).
### Membuat sumber daya paket model
Prosedur berikut mengarahkan Anda melalui pembuatan sumber daya paket model.
**Langkah 1: Untuk membuat sumber daya paket model**
1. Buka [konsol Amazon SageMaker AI](https://us-east-2.console.aws.amazon.com/sagemaker/home).
1. Pastikan Anda berada di AWS Wilayah yang ingin Anda publikasikan dengan melihat di kanan atas halaman. Untuk penerbitan, lihat [Didukung Wilayah AWS untuk penerbitan](ml-service-restrictions-and-limits.md#ml-supported-aws-regions-for-publishing) bagian. Gambar inferensi yang Anda unggah ke Amazon ECR pada langkah sebelumnya harus berada di Wilayah yang sama.
1. Di menu navigasi kiri, pilih **Paket model**.
1. Pilih **Buat paket model**.
Setelah Anda membuat paket, Anda perlu mengatur spesifikasi paket inferensi.
**Langkah 2: Untuk mengatur spesifikasi inferensi**
1. Berikan **Nama** untuk paket model Anda (misalnya,*my-model-package*).
1. Untuk **Lokasi gambar inferensi**, masukkan URI gambar inferensi Anda yang diunggah ke Amazon ECR. Anda dapat mengambil URI dengan menemukan gambar Anda di konsol [Amazon ECR](https://us-east-2.console.aws.amazon.com/ecr/repositories).
1. Jika artefak model Anda dari pelatihan dibundel dengan logika Anda dalam gambar inferensi Anda, biarkan **Lokasi artefak data model kosong**. Jika tidak, tentukan lokasi Amazon S3 lengkap dari file terkompresi (.tar.gz) artefak model Anda.
1. Dengan menggunakan kotak tarik-turun, pilih jenis instans yang didukung dari gambar inferensi Anda untuk inferensi real-time (juga dikenal sebagai *titik akhir*) dan pekerjaan transformasi batch.
1. Pilih **Berikutnya**.
Sebelum paket model Anda dapat dibuat dan dipublikasikan, validasi diperlukan untuk memastikan bahwa itu berfungsi seperti yang diharapkan. Ini mengharuskan Anda menjalankan pekerjaan transformasi batch dengan data pengujian untuk inferensi yang Anda berikan. Spesifikasi validasi memberi tahu SageMaker AI cara melakukan validasi.
**Langkah 3: Untuk mengatur spesifikasi validasi**
1. Setel **Publikasikan paket model ini AWS Marketplace** ke **Ya**. Jika Anda menyetel ini ke **Tidak**, Anda tidak dapat mempublikasikan paket model ini nanti. Memilih **Ya** [mensertifikasi](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html#sagemaker-CreateModelPackage-request-CertifyForMarketplace) paket model Anda AWS Marketplace dan memerlukan langkah validasi.
1. Jika ini adalah pertama kalinya menyelesaikan proses ini, pilih **Buat peran baru untuk peran** **IAM**. Amazon SageMaker AI menggunakan peran ini saat menyebarkan paket model Anda. Ini termasuk tindakan, seperti menarik gambar dari Amazon ECR dan artefak dari Amazon S3. Tinjau pengaturan, dan pilih **Buat peran**. Membuat peran di sini memberikan izin yang dijelaskan oleh kebijakan [ AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)IAM ke peran yang Anda buat.
1. Edit **JSON** di profil validasi. Untuk detail tentang nilai yang diizinkan, lihat [TransformJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html).
1. `TransformInput.DataSource.S3Uri`: Setel ke tempat data pengujian Anda untuk inferensi disimpan.
1. `TransformInput.ContentType`: Tentukan jenis konten data pengujian Anda (misalnya`application/json`,`text/plain`,`image/png `,, atau nilai lainnya). SageMaker AI tidak memvalidasi data input yang sebenarnya. Nilai ini diteruskan ke titik akhir HTTP kontainer Anda di nilai `Content-type` header.
1. `TransformInput.CompressionType`: Setel ke `None` jika data pengujian untuk inferensi di Amazon S3 tidak dikompresi.
1. `TransformInput.SplitType`: Setel `None` untuk meneruskan setiap objek di Amazon S3 secara keseluruhan untuk inferensi.
1. `TransformOutput.S3OutputPath`: Setel ke lokasi dimana output inferensi disimpan.
1. `TransformOutput.AssembleWith`: Setel `None` untuk menampilkan setiap inferensi sebagai objek terpisah di Amazon S3.
1. Pilih **Buat paket model**.
SageMaker AI menarik gambar inferensi dari Amazon ECR, menyalin artefak apa pun ke wadah inferensi, dan menjalankan tugas transformasi batch menggunakan data pengujian Anda untuk inferensi. **Setelah validasi berhasil, status berubah menjadi Selesai.**
**catatan**
Langkah validasi tidak mengevaluasi keakuratan model dengan data pengujian Anda. Langkah validasi memeriksa apakah kontainer berjalan dan merespons seperti yang diharapkan.
Anda telah menyelesaikan pembuatan sumber daya produk model Anda. Lanjutkan ke [Cantumkan produk Anda di AWS Marketplace](ml-publishing-your-product-in-aws-marketplace.md).
## Membuat algoritme Anda
Berikut ini adalah persyaratan untuk membuat algoritma untuk AWS Marketplace:
+ Gambar inferensi, disimpan di Amazon ECR
+ Gambar pelatihan, disimpan di Amazon ECR
+ Data pengujian Anda untuk pelatihan, disimpan di Amazon S3
+ Data pengujian Anda untuk inferensi, disimpan di Amazon S3
**catatan**
Panduan berikut menciptakan produk algoritme. Untuk informasi selengkapnya, lihat [Membuat Sumber Algoritma](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-mkt-create-algo.html).
### Membuat sumber daya algoritme
Prosedur berikut mengarahkan Anda melalui pembuatan sumber daya dalam paket algoritme Anda.
**Langkah 1: Untuk membuat sumber daya algoritme**
1. Buka [konsol Amazon SageMaker AI](https://us-east-2.console.aws.amazon.com/sagemaker/home).
1. Pastikan Anda berada di AWS Wilayah yang ingin Anda publikasikan dengan melihat di kanan atas halaman (lihat[Didukung Wilayah AWS untuk penerbitan](ml-service-restrictions-and-limits.md#ml-supported-aws-regions-for-publishing)). Gambar pelatihan dan inferensi yang Anda unggah ke Amazon ECR pada langkah sebelumnya harus berada di Wilayah yang sama ini.
1. Di menu navigasi kiri, pilih **Algoritma.**
1. Pilih **Buat algoritma**.
Setelah Anda membuat paket algoritme, Anda harus mengatur spesifikasi untuk pelatihan dan penyetelan model Anda.
**Langkah 2: Untuk mengatur spesifikasi pelatihan dan penyetelan**
1. Masukkan **Nama** untuk algoritma Anda (misalnya,*my-algorithm*).
1. Untuk **gambar Pelatihan**, tempel lokasi URI lengkap gambar pelatihan Anda yang diunggah ke Amazon ECR. Anda dapat mengambil URI dengan menemukan gambar Anda di konsol [Amazon ECR](https://us-east-2.console.aws.amazon.com/ecr/repositories).
1. Dengan menggunakan kotak tarik-turun, pilih **jenis instans untuk pelatihan yang didukung** gambar pelatihan Anda.
1. Di bawah bagian **Spesifikasi saluran**, tambahkan saluran untuk setiap kumpulan data input yang didukung algoritme Anda, hingga 20 saluran sumber input. Untuk informasi selengkapnya, lihat [Konfigurasi Data Input](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html#your-algorithms-training-algo-running-container-inputdataconfig).
1. Pilih **Berikutnya**.
1. Jika algoritme Anda mendukung hyperparameters dan tuning hyperparameter, Anda harus menentukan parameter tuning.
1. Pilih **Berikutnya**.
**catatan**
Kami sangat menyarankan agar algoritme Anda mendukung penyetelan hyperparameter dan membuat parameter yang sesuai dapat disetel. Hal ini memungkinkan ilmuwan data untuk menyetel model untuk mendapatkan hasil terbaik.
Setelah Anda mengatur parameter penyetelan, jika ada, Anda harus mengatur spesifikasi untuk gambar inferensi Anda.
**Langkah 3: Untuk mengatur spesifikasi gambar inferensi**
1. Untuk **Lokasi gambar inferensi**, tempel URI gambar inferensi yang diunggah ke Amazon ECR. Anda dapat mengambil URI dengan menemukan gambar Anda di [Amazon ECR](https://us-east-2.console.aws.amazon.com/ecr/repositories) Console.
1. Dengan menggunakan kotak tarik-turun, pilih jenis instans yang didukung untuk gambar inferensi Anda untuk inferensi real-time (juga dikenal sebagai *titik akhir*) dan pekerjaan transformasi batch.
1. Pilih **Berikutnya**.
Sebelum algoritma Anda dapat dibuat dan dipublikasikan, validasi diperlukan untuk memastikan bahwa itu berfungsi seperti yang diharapkan. Ini mengharuskan Anda menjalankan pekerjaan pelatihan dengan data pengujian untuk pelatihan dan pekerjaan transformasi batch dengan data pengujian untuk inferensi yang Anda berikan. Spesifikasi validasi memberi tahu SageMaker AI cara melakukan validasi.
**Langkah 4: Untuk mengatur spesifikasi validasi**
1. Setel **Publikasikan algoritma ini AWS Marketplace** ke **Ya**. Jika Anda menyetel ini ke **Tidak**, Anda tidak dapat mempublikasikan algoritme ini nanti. Memilih **Ya** [mensertifikasi](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html#sagemaker-CreateAlgorithm-request-CertifyForMarketplace) algoritme Anda AWS Marketplace dan memerlukan spesifikasi validasi.
1. Jika ini adalah pertama kalinya Anda membuat paket pembelajaran mesin AWS Marketplace, pilih **Buat peran baru untuk peran** **IAM**. Amazon SageMaker AI menggunakan peran ini saat melatih algoritme Anda dan menerapkan paket model berikutnya. Ini termasuk tindakan seperti menarik gambar dari Amazon ECR, menyimpan artefak di Amazon S3, dan menyalin data pelatihan dari Amazon S3. Tinjau pengaturan, dan pilih **Buat peran**. Membuat peran di sini memberikan izin yang dijelaskan oleh kebijakan [ AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)IAM ke peran yang Anda buat.
1. Edit file **JSON** di profil validasi untuk definisi **pekerjaan Pelatihan**. Untuk informasi selengkapnya tentang nilai yang diizinkan, lihat [ TrainingJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html).
1. `InputDataConfig`: Dalam array JSON ini, tambahkan [objek Channel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Channel.html) untuk setiap saluran yang Anda tentukan dalam langkah spesifikasi pelatihan. Untuk setiap saluran, tentukan di mana data pengujian Anda untuk pelatihan disimpan.
1. `OutputDataConfig`: Setelah pelatihan selesai, artefak model di jalur `/opt/ml/model/` direktori wadah pelatihan dikompresi dan disalin ke Amazon S3. Tentukan lokasi Amazon S3 tempat file terkompresi (.tar.gz) disimpan.
1. Edit file JSON di profil validasi untuk **Transform definisi pekerjaan**. Untuk informasi selengkapnya tentang nilai yang diizinkan, lihat [ TransformJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html).
1. `TransformInput.DataSource.S3Uri`: Setel ke tempat data pengujian Anda untuk inferensi disimpan.
1. `TransformInput.ContentType`: Tentukan jenis konten data pengujian Anda. Misalnya,`application/json`,`text/plain`,`image/png`, atau nilai lainnya. Amazon SageMaker AI tidak memvalidasi data input aktual. Nilai ini diteruskan ke titik akhir HTTP kontainer Anda di nilai `Content-type` header.
1. `TransformInput.CompressionType`: Setel ke `None` jika data pengujian untuk inferensi di Amazon S3 tidak dikompresi.
1. `TransformInput.SplitType`: Pilih bagaimana Anda ingin objek di S3 split. Misalnya, `None` melewati setiap objek di Amazon S3 secara keseluruhan untuk inferensi. Untuk detail selengkapnya, lihat [ SplitType](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformInput.html#sagemaker-Type-TransformInput-SplitType)di Referensi API Amazon SageMaker AI.
1. `TransformOutput.S3OutputPath`: Setel ke lokasi di mana output inferensi disimpan.
1. `TransformOutput.AssembleWith`: Setel `None` untuk menampilkan setiap inferensi sebagai objek terpisah di Amazon S3.
1. Pilih **Buat paket algoritma**.
SageMaker AI menarik gambar pelatihan dari Amazon ECR, menjalankan pekerjaan uji pelatihan menggunakan data Anda, dan menyimpan artefak model di Amazon S3. Kemudian menarik gambar inferensi dari Amazon ECR, menyalin artefak dari Amazon S3 ke dalam wadah inferensi, dan menjalankan tugas transformasi batch menggunakan data pengujian Anda untuk inferensi. **Setelah validasi berhasil, status berubah menjadi Selesai.**
**catatan**
Langkah validasi tidak mengevaluasi keakuratan pelatihan atau model dengan data pengujian Anda. Langkah validasi memeriksa apakah kontainer berjalan dan merespons seperti yang diharapkan.
Langkah validasi hanya memvalidasi pemrosesan batch. Terserah Anda untuk memvalidasi bahwa pemrosesan waktu nyata bekerja dengan produk Anda.
Anda telah menyelesaikan pembuatan sumber daya produk algoritme Anda. Lanjutkan ke [Cantumkan produk Anda di AWS Marketplace](ml-publishing-your-product-in-aws-marketplace.md).
# Cantumkan produk Anda di AWS Marketplace
Setelah Anda mengemas kode Anda ke dalam gambar paket model atau gambar algoritme, mengunggah gambar Anda, dan membuat sumber daya SageMaker AI Amazon, Anda dapat mempublikasikan produk pembelajaran mesin Anda di AWS Marketplace. Bagian berikut memandu Anda melalui proses penerbitan, yang meliputi membuat daftar produk Anda, menguji produk Anda, dan menandatangani untuk penerbitan. Setelah produk Anda diterbitkan, Anda meminta perubahan untuk memperbarui iklan Anda. Lihat informasi yang lebih lengkap di [Mengelola produk pembelajaran mesin Anda](ml-product-management.md).
**Topics**
+ [Prasyarat](ml-publishing-prereq.md)
+ [Langkah 1: Buat daftar baru](create-new-listing.md)
+ [Langkah 2: Berikan informasi produk](provide-general-info.md)
+ [Langkah 3: Tambahkan versi produk awal](add-initial-version.md)
+ [Langkah 4: Konfigurasikan model harga](set-pricing-model.md)
+ [Langkah 5: Konfigurasikan kebijakan pengembalian dana](configure-refund-policy.md)
+ [Langkah 6: Konfigurasikan EULA](configure-eula.md)
+ [Langkah 7: Konfigurasikan allowlist](configure-allowlist.md)
# Prasyarat
Sebelum Anda dapat mempublikasikan paket model atau algoritme Anda AWS Marketplace, Anda harus memiliki yang berikut:
+ An Akun AWS yang terdaftar sebagai AWS Marketplace penjual. Anda dapat melakukan ini di [Portal Manajemen AWS Marketplace](https://aws.amazon.com/marketplace/management/).
+ Profil penjual lengkap di bawah halaman [Pengaturan](https://aws.amazon.com/marketplace/management/seller-settings) di Portal Manajemen AWS Marketplace.
+ Untuk menerbitkan produk berbayar, Anda harus melengkapi wawancara pajak dan formulir bank. Ini tidak diperlukan untuk menerbitkan produk gratis. Untuk informasi selengkapnya, lihat [Proses pendaftaran Penjual](https://docs.aws.amazon.com/marketplace/latest/userguide/registration-process.html).
+ Anda harus memiliki izin untuk mengakses Portal Manajemen AWS Marketplace dan Amazon SageMaker AI. Untuk informasi selengkapnya, lihat [Izin yang diperlukan](#ml-permissions-required).
## Izin yang diperlukan
Untuk mempublikasikan produk Amazon SageMaker AI, Anda harus menentukan ARN peran IAM yang valid yang memiliki hubungan kepercayaan dengan kepala layanan AWS Marketplace . Selain itu, pengguna IAM atau peran yang Anda masuki memerlukan izin yang diperlukan.
**Mengatur izin masuk**
+ Tambahkan izin berikut ke peran IAM:
1. **sagemaker: DescribeModelPackage** — Untuk daftar paket model
1. **sagemaker: DescribeAlgorithm** — Untuk daftar algoritma
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:DescribeModelPackage",
"sagemaker:DescribeAlgorithm"
],
"Resource": "*"
}
]
}
```
------
**Mengatur produk peran AddVersion/Create IAM**
1. Ikuti langkah-langkah untuk membuat peran dengan kebijakan kepercayaan khusus. Untuk informasi selengkapnya, lihat [Membuat peran IAM menggunakan kebijakan kepercayaan khusus (konsol)](https://docs.aws.amazon.com//IAM/latest/UserGuide/id_roles_create_for-custom.html).
1. Masukkan pernyataan kebijakan kepercayaan kustom berikut ini:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "Statement1",
"Effect": "Allow",
"Principal": {
"Service": "assets.marketplace.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
1. Masukkan kebijakan izin berikut:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:DescribeModelPackage",
"sagemaker:DescribeAlgorithm"
],
"Resource": "*"
}
]
}
```
------
1. Berikan peran ARN saat diminta. Peran harus mengikuti format:`arn:aws:iam:::role/`.
Untuk AWS Marketplace izin yang diperlukan, atau untuk mengelola akun penjual, lihat [Kebijakan dan izin untuk AWS Marketplace](https://docs.aws.amazon.com/marketplace/latest/userguide/detailed-management-portal-permissions.html) penjual.
## Aset yang dibutuhkan
Sebelum membuat daftar produk pembelajaran mesin, pastikan Anda memiliki aset wajib berikut:
+ **Nama Sumber Daya Amazon (ARN)** — Menyediakan ARN dari paket model atau sumber daya algoritme di tempat Wilayah AWS Anda menerbitkan (lihat). [Didukung Wilayah AWS untuk penerbitan](ml-service-restrictions-and-limits.md#ml-supported-aws-regions-for-publishing)
+ ARN untuk paket model memiliki formulir ini: `arn:aws:sagemaker:::model-package/`
Untuk menemukan paket model ARN Anda, lihat Paket [model pasar saya](https://console.aws.amazon.com/sagemaker/home#/model-packages/my-resources).
+ ARN untuk algoritma memiliki bentuk ini: `arn:aws:sagemaker:::algorithm/`
Untuk menemukan ARN sumber daya algoritme Anda, lihat Algoritma [saya](https://console.aws.amazon.com/sagemaker/home#/algorithms/my-resources).
+ [Persyaratan untuk informasi penggunaan](ml-listing-requirements-and-best-practices.md#ml-requirements-for-usage-information)— Berikan detail tentang input, output, dan contoh kode.
+ [Persyaratan untuk input dan output](ml-listing-requirements-and-best-practices.md#ml-requirements-for-inputs-and-outputs)— Berikan file atau teks.
+ [Persyaratan untuk notebook Jupyter](ml-listing-requirements-and-best-practices.md#ml-requirements-for-jupyter-notebook)— Menunjukkan penggunaan produk lengkap.
# Langkah 1: Buat daftar baru
Untuk memulai produk pembelajaran mesin, Anda akan memulai proses listing dengan menyetel nama produk, menambahkan tag sumber daya opsional untuk organisasi, dan membuat ID produk. ID produk digunakan untuk melacak produk Anda sepanjang siklus hidupnya.
**catatan**
Sebelum membuat daftar Anda, pastikan Anda memiliki sumber daya yang diperlukan yang ditentukan[Persyaratan dan praktik terbaik untuk membuat produk pembelajaran mesin](ml-listing-requirements-and-best-practices.md).
1. Masuk ke penjual Anda Akun AWS dan pergi ke [Portal Manajemen AWS Marketplace](https://aws.amazon.com/marketplace/management).
1. Di menu atas, buka **Produk** dan kemudian pilih **Pembelajaran mesin**.
1. Pilih **Buat produk pembelajaran mesin**.
1. Di bawah **Nama Produk**, masukkan nama produk unik yang akan ditampilkan kepada pembeli di bagian atas halaman daftar produk dan di hasil pencarian.
1. (Opsional) Di bawah **Tag**, masukkan tag apa pun yang ingin Anda kaitkan dengan produk. Untuk informasi selengkapnya, lihat [Menandai AWS sumber daya](https://docs.aws.amazon.com/tag-editor/latest/userguide/tagging.html).
1. Di bawah **Product ID dan kode**, pilih **Hasilkan ID produk dan kode**.
1. Pilih **Lanjutkan ke wizard**. Anda akan memulai proses menambahkan informasi produk terperinci di wizard.
# Langkah 2: Berikan informasi produk
Saat mencantumkan produk pembelajaran mesin Anda AWS Marketplace, memberikan informasi produk yang komprehensif dan akurat sangat penting. Gunakan langkah **Menyediakan informasi produk** di wizard untuk menangkap detail penting tentang penawaran Anda seperti kategori produk dan informasi dukungan.
1. Masukkan informasi tentang produk Anda.
1. Pilih **Berikutnya** untuk pindah ke langkah berikutnya di wizard.
# Langkah 3: Tambahkan versi produk awal
Halaman ini memandu Anda dengan menambahkan versi awal produk Anda. Produk Anda mungkin memiliki beberapa versi sepanjang siklus hidupnya, dan setiap versi diidentifikasi oleh AI SageMaker ARN yang unik.
1. Di bawah **Nama Sumber Daya Amazon (ARNs)**:
1. Masukkan model atau algoritma Amazon SageMaker AI ARN.
+ Contoh paket model ARN: `arn:aws:sagemaker:::model-package/`
Untuk menemukan paket model ARN Anda, lihat Paket [model pasar saya](https://console.aws.amazon.com/sagemaker/home#/model-packages/my-resources).
+ Contoh algoritma ARN: `arn:aws:sagemaker:::algorithm/`
Untuk menemukan ARN sumber daya algoritme Anda, lihat Algoritma [saya](https://console.aws.amazon.com/sagemaker/home#/algorithms/my-resources).
1. Masukkan peran akses IAM ARN.
Contoh IAM ARN: `arn:aws:iam:::role/`
1. Di bawah **Informasi versi**, masukkan **nama Versi** dan **Catatan rilis.** .
1. Di bawah **Detail input Model**, masukkan ringkasan input model dan berikan data input sampel untuk input pekerjaan real-time dan batch. Secara opsional, Anda dapat memberikan batasan input apa pun.
1. (Opsional) Di bawah **parameter Input**, berikan informasi rinci tentang setiap parameter input yang didukung oleh produk Anda. Anda dapat memberikan nama parameter, deskripsi, kendala, dan menentukan apakah parameter diperlukan atau opsional. Anda dapat memberikan hingga 24 parameter input.
1. (Opsional) Di bawah **atribut Kustom**, berikan parameter pemanggilan kustom yang didukung oleh produk Anda. Untuk setiap atribut, Anda dapat memberikan nama, deskripsi, batasan, dan menentukan apakah atribut diperlukan atau opsional.
1. Di bawah **Detail keluaran Model**, masukkan ringkasan output model dan berikan data keluaran sampel untuk output pekerjaan real-time dan batch. Secara opsional, Anda dapat memberikan batasan output apa pun.
1. (Opsional) Di bawah **parameter Output**, berikan informasi rinci tentang setiap parameter output yang didukung oleh produk Anda. Anda dapat memberikan nama parameter, deskripsi, kendala, dan menentukan apakah parameter diperlukan atau opsional. Anda dapat memberikan hingga 24 parameter output.
1. Di bawah **Petunjuk penggunaan**, berikan instruksi yang jelas untuk menggunakan model Anda secara efektif seperti praktik terbaik, cara menangani kasus tepi umum, atau saran pengoptimalan kinerja.
1. Di bawah **repositori Git dan tautan notebook, berikan tautan** ke buku catatan contoh dan repositori Git. Contoh notebook harus menyertakan cara memanggil model Anda. Repositori Git Anda harus menyertakan buku catatan, file data, dan alat pengembang lainnya.
1. Di bawah **Jenis instans** yang direkomendasikan, pilih jenis instans yang direkomendasikan untuk produk Anda.
Untuk *paket model*, Anda akan memilih jenis instans yang direkomendasikan untuk transformasi batch dan inferensi waktu nyata.
Untuk *paket algoritme*, Anda akan memilih jenis instans yang direkomendasikan untuk pekerjaan pelatihan.
**catatan**
Jenis instans yang tersedia untuk dipilih terbatas pada yang didukung oleh model atau paket algoritme Anda. Jenis instans yang didukung ini ditentukan saat Anda pertama kali membuat sumber daya di Amazon SageMaker AI. Ini memastikan bahwa produk Anda hanya terkait dengan konfigurasi perangkat keras yang dapat menjalankan solusi pembelajaran mesin Anda secara efektif.
1. Pilih **Berikutnya** untuk pindah ke langkah berikutnya di wizard.
# Langkah 4: Konfigurasikan model harga
Saat mengonfigurasi model harga produk Anda, Anda dapat menawarkan produk Anda secara gratis atau menerapkan harga berbasis penggunaan. Model harga Anda tidak dapat diubah setelah Anda mempublikasikan produk.
1. Pilih model harga. Transformasi Batch dan produk pelatihan algoritma hanya dapat gratis atau dikenakan biaya untuk penggunaan per jam.
+ Jika Anda memilih untuk menawarkan produk Anda secara gratis, pilih **Berikutnya** dan lanjutkan wizard.
+ Jika Anda memilih harga penggunaan, lanjutkan langkah-langkah ini.
1. Jika Anda memilih untuk mengenakan biaya berdasarkan penggunaan, Anda dapat memasukkan biaya penggunaan. Anda dapat memilih untuk memasukkan harga yang berlaku untuk semua jenis instans atau memasukkan harga per jenis instans untuk harga yang lebih terperinci.
1. Pilih **Ya, tawarkan uji coba gratis** jika Anda ingin menawarkan uji coba gratis produk Anda.
1. Pilih **Berikutnya** untuk pindah ke langkah berikutnya di wizard.
# Langkah 5: Konfigurasikan kebijakan pengembalian dana
Meskipun Anda tidak diharuskan menawarkan pengembalian uang, Anda harus mengajukan kebijakan pengembalian dana resmi. AWS Marketplace
1. Masukkan kebijakan pengembalian dana.
1. Pilih **Berikutnya** untuk pindah ke langkah berikutnya di wizard.
# Langkah 6: Konfigurasikan EULA
Pada langkah ini, Anda akan memilih perjanjian hukum yang akan mengatur bagaimana pelanggan dapat menggunakan produk Anda. Anda dapat memilih AWS persyaratan kontrak standar atau mengunggah perjanjian lisensi pengguna akhir kustom Anda sendiri (EULA).
1. Pilih kontrak standar atau berikan perjanjian lisensi pengguna akhir kustom.
1. Pilih **Berikutnya** untuk pindah ke langkah berikutnya di wizard.
# Langkah 7: Konfigurasikan allowlist
Sebelum mengirimkan produk Anda, Anda harus menentukan mana yang Akun AWS dapat mengaksesnya. Langkah opsional ini mengontrol visibilitas awal produk Anda, membatasi akses ke akun Anda sendiri dan setiap otorisasi khusus yang Akun AWS Anda tambahkan ke daftar yang diizinkan.
1. Masukkan yang Akun AWS IDs Anda inginkan untuk mengakses produk Anda.
1. Pilih **Kirim** untuk mengirimkan produk Anda.
Produk Anda akan memiliki status **visibilitas terbatas** dan hanya akan terlihat oleh Akun AWS yang membuat produk dan daftar izin lainnya. Akun AWS
Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
Anda dapat melihat dan menguji daftar produk Anda saat berada dalam **visibilitas terbatas**. Ketika Anda siap untuk mengubah visibilitas produk Anda, lihat[Memperbarui visibilitas produk](ml-update-visibility.md).
# Mengelola produk pembelajaran mesin Anda
Di Portal AWS Marketplace Manajemen, pilih **Minta perubahan** untuk memodifikasi produk atau versi AWS Marketplace. Ketika Anda mengirimkan perubahan Anda, sistem memprosesnya. Waktu pemrosesan bervariasi dari menit ke hari, tergantung pada jenis modifikasi. Anda dapat memantau status perubahan Anda di Portal AWS Marketplace Manajemen.
**Topics**
+ [Memperbarui informasi produk](ml-update-product.md)
+ [Memperbarui visibilitas produk](ml-update-visibility.md)
+ [Memperbarui daftar yang diizinkan](ml-update-allowlist.md)
+ [Mengelola versi produk](ml-manage-product-version.md)
+ [Memperbarui harga produk](ml-update-public-offer.md)
+ [Memperbarui kebijakan pengembalian dana Anda](ml-update-refund-policy.md)
+ [Memperbarui EULA Anda](ml-update-eula.md)
+ [Menghapus produk](ml-remove-a-product.md)
**catatan**
Selain melakukan perubahan melalui Portal AWS Marketplace Manajemen, Anda juga dapat melakukan perubahan menggunakan [AWS Marketplace Catalog API](https://docs.aws.amazon.com/marketplace/latest/APIReference/welcome.html).
# Memperbarui informasi produk
Setelah membuat produk machine learning (ML) Anda, Anda dapat memodifikasi informasi produk tertentu AWS Marketplace, seperti deskripsi, sorotan, judul, SKU, kategori, dan kata kunci.
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **Produk pembelajaran mesin** dan pilih produk target Anda.
1. Pilih **Minta perubahan** dan pilih **Perbarui informasi produk**.
1. Perbarui bidang sesuai kebutuhan.
**catatan**
Untuk spesifikasi logo, lihat[Persyaratan logo perusahaan dan produk](product-submission.md#seller-and-product-logos).
1. Pilih **Kirim**.
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
# Memperbarui visibilitas produk
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. **Pilih **Minta perubahan**, pilih **Perbarui visibilitas produk,** lalu pilih **Publik** atau Dibatasi.**
1. Tinjau perubahan Anda dan pilih **Kirim**.
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
# Memperbarui daftar yang diizinkan
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Minta perubahan** dan pilih **Perbarui daftar yang diizinkan**.
1. Ubah informasi yang perlu Anda ubah dan pilih **Kirim**. Untuk informasi selengkapnya, lihat [Langkah 7: Konfigurasikan allowlist](configure-allowlist.md).
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
# Mengelola versi produk
Sebagai penjual, Anda dapat mengelola versi produk Anda AWS Marketplace dengan memperbarui informasi versi yang ada, menambahkan versi baru, atau menghapus versi yang tidak lagi didukung. Setiap versi memiliki SageMaker AI ARN unik dan informasi terkait yang digunakan pembeli untuk mengevaluasi dan menyebarkan produk Anda.
**catatan**
Sebelum menambahkan versi, buat ID produk dan tetapkan harga. Untuk informasi selengkapnya, lihat [Langkah 1: Buat daftar baru](create-new-listing.md).
## Memperbarui informasi versi
Setelah membuat versi, Anda dapat memodifikasi informasi terkait seperti catatan rilis, petunjuk penggunaan, dan rekomendasi instans.
**catatan**
Nama versi dan ARNs tidak dapat diubah. Perubahan ini memerlukan pembuatan versi baru.
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Minta perubahan** dan pilih **Perbarui informasi versi**.
1. Pilih versi yang ingin Anda perbarui.
1. Pilih **Edit versi**.
1. Ubah bidang yang diperlukan dan pilih **Berikutnya**.
1. Masukkan informasi harga Anda dan pilih **Kirim**. Untuk informasi selengkapnya, lihat [Langkah 4: Konfigurasikan model harga](set-pricing-model.md).
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
## Menambahkan versi baru
Anda dapat menambahkan versi baru produk Anda untuk memperkenalkan fitur, pembaruan, atau peningkatan sambil mempertahankan akses ke versi sebelumnya.
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Versi** dan pilih **Tambahkan versi baru**.
1. Masukkan informasi untuk versi baru mengikuti langkah-langkah di[Langkah 3: Tambahkan versi produk awal](add-initial-version.md).
1. Masukkan informasi harga Anda dan pilih **Kirim**. Untuk informasi selengkapnya, lihat [Langkah 4: Konfigurasikan model harga](set-pricing-model.md).
Ketika Anda telah berhasil menambahkan versi baru, pembeli menerima pemberitahuan email bahwa versi baru tersedia.
## Membatasi versi
Ketika versi menjadi usang atau Anda ingin menghentikan ketersediaannya, Anda dapat membatasi akses pembeli ke versi itu sambil mempertahankan akses ke versi lain.
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Versi** dan pilih **Batasi versi**.
**catatan**
Anda harus selalu memiliki setidaknya satu versi yang tersedia.
1. Pilih **Kirim**.
Ketika Anda telah berhasil membatasi versi, pembeli menerima pemberitahuan email bahwa versi tersebut dibatasi.
# Memperbarui harga produk
Anda dapat mengubah tarif dan periode uji coba gratis produk pembelajaran mesin Anda di AWS Marketplace, meskipun model penetapan harga itu sendiri tidak dapat diubah. Perhatikan bahwa untuk model berbayar, kenaikan harga berlaku setelah periode pemberitahuan 90 hari, pada hari pertama bulan berikutnya. Perubahan harga tambahan tidak dapat dilakukan selama periode pemberitahuan ini.
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Minta perubahan**, pilih **Perbarui penawaran umum**, lalu pilih **Edit informasi penawaran**.
1. Ubah informasi yang perlu Anda ubah dan pilih **Kirim**.
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
# Memperbarui kebijakan pengembalian dana Anda
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Minta perubahan**, pilih **Perbarui penawaran umum**, lalu pilih **Perbarui kebijakan pengembalian dana**.
1. Ubah informasi yang perlu Anda ubah dan pilih **Kirim**.
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
# Memperbarui EULA Anda
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Minta perubahan**, pilih **Perbarui penawaran umum**, lalu pilih **Perbarui EULA**.
1. Ubah informasi yang perlu Anda ubah dan pilih **Kirim**.
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
# Menghapus produk
Anda dapat menghapus (matahari terbenam) produk Anda yang diterbitkan dari AWS Marketplace. Setelah dihapus, pelanggan baru tidak dapat berlangganan, tetapi Anda harus mendukung pelanggan yang sudah ada setidaknya selama 90 hari.
Berikut ini adalah kondisi untuk menghapus produk dari AWS Marketplace:
+ Produk akan dihapus dari alat AWS Marketplace pencarian dan penemuan.
+ Fungsionalitas berlangganan akan dinonaktifkan.
+ Halaman detail produk tetap dapat diakses melalui URL langsung.
+ Pelanggan saat ini mempertahankan akses sampai mereka membatalkan langganan mereka.
+ AWS Marketplace memberi tahu pembeli saat ini tentang penghapusan.
**Untuk menghapus produk pembelajaran mesin Anda:**
1. Masuk ke akun penjual Anda di [Portal AWS Marketplace Manajemen](https://aws.amazon.com/marketplace/management/tour/).
1. Buka halaman **produk pembelajaran mesin** dan pilih produk Anda.
1. Pilih **Minta perubahan**, pilih **Perbarui visibilitas produk**, lalu pilih **Dibatasi**.
1. (Opsional) Masukkan ID produk pengganti.
1. Tinjau perubahan dan kemudian pilih **Kirim**.
Anda dapat memantau permintaan Anda dari tab **Permintaan** pada halaman Produk **pembelajaran mesin**. Untuk informasi lebih lanjut tentang status, lihat[Status produk pembelajaran mesin](ml-product-lifecycle.md#ml-product-status).
Setelah dihapus, produk muncul di daftar **Produk saat ini** di mana Anda hanya dapat mengunduh spreadsheet produk. Jika Anda memiliki pertanyaan tentang menghapus produk, hubungi tim [Operasi AWS Marketplace Penjual](https://aws.amazon.com/marketplace/management/contact-us/).
# Membuat penawaran pribadi untuk produk pembelajaran mesin
Anda dapat bernegosiasi dan menawarkan penawaran pribadi langsung kepada pelanggan untuk produk pembelajaran mesin Anda. Untuk informasi lebih lanjut tentang penawaran pribadi, lihat[Mempersiapkan penawaran pribadi untuk AWS Marketplace produk Anda](private-offers-overview.md).
**Prasyarat:**
+ Anda harus memiliki daftar berbayar AWS Marketplace.
+ Anda harus memiliki akses ke Portal AWS Marketplace Manajemen (AMMP).
**Untuk membuat penawaran pribadi untuk produk pembelajaran mesin:**
1. Masuk ke Portal AWS Marketplace Manajemen.
1. Pilih **Penawaran**, lalu pilih **Buat penawaran pribadi**
1. Pada halaman **Buat penawaran pribadi**, pilih produk yang ingin Anda buat penawaran pribadi. Anda hanya dapat membuat penawaran untuk produk yang tersedia.
1. Pada halaman **Detail Penawaran**:
1. Masukkan nama penawaran dan deskripsi.
1. Pilih opsi perpanjangan.
1. Tetapkan tanggal kedaluwarsa penawaran. Penawaran kedaluwarsa pada 23:59:59 UTC pada tanggal yang ditentukan.
1. Pilih **Selanjutnya** dua kali.
1. Pada halaman **Konfigurasi harga dan durasi penawaran**, tentukan:
+ Opsi harga
(Untuk informasi selengkapnya, lihat [Penawaran pribadi untuk produk ML](https://docs.aws.amazon.com/marketplace/latest/userguide/private-offers-supported-product-types.html#ml-private-offers))
+ Penggunaan atau durasi kontrak
+ Mata uang penawaran
+ Dimensi harga.
(Untuk harga penggunaan, tarif berdasarkan penggunaan hanya berlaku selama jangka waktu penawaran. Untuk kontrak, tarif berdasarkan penggunaan hanya berlaku ketika jangka waktu kontrak berakhir dan abadi.)
**catatan**
Untuk informasi selengkapnya tentang paket cicilan, lihat[Paket cicilan penawaran pribadi](installment-plans.md).
1. Pilih **Berikutnya**.
1. Pada halaman **Tambah pembeli**, masukkan Akun AWS IDs untuk pembeli Anda. Lalu pilih **Selanjutnya**.
**penting**
Untuk akun tertaut untuk mendapatkan keuntungan dari penawaran pribadi:
Sertakan ID AWS akun pembayar.
Akun pembayar harus menerima ketentuan per jam dari penawaran pribadi terlebih dahulu.
Setelah akun pembayar menerima, akun yang ditautkan kemudian dapat menerima penawaran pribadi.
1. Pada halaman **Konfigurasikan persyaratan hukum dan tawarkan dokumen**, tambahkan persyaratan khusus apa pun, lalu pilih **Berikutnya**.
**catatan**
Anda dapat menambahkan hingga lima file (ketentuan hukum, pernyataan kerja, tagihan bahan, lembar harga, atau addendum). Sistem menggabungkan ini menjadi satu dokumen.
1. Pada halaman **Tinjau dan buat**, verifikasi detail penawaran dan pilih **Buat penawaran**.
1. Setelah penawaran muncul di halaman **Kelola penawaran pribadi**, buka menu **Tindakan**, pilih **Salin URL penawaran**, dan kirimkan email ke pembeli.
**catatan**
Penawaran mungkin membutuhkan waktu untuk dipublikasikan. Anda dapat mengedit penawaran di halaman **Kelola penawaran pribadi** hingga pembeli menerimanya.
# Persyaratan dan praktik terbaik untuk membuat produk pembelajaran mesin
Adalah penting bahwa pembeli Anda merasa mudah untuk menguji paket model dan produk algoritma Anda. Bagian berikut menjelaskan praktik terbaik untuk produk ML. Untuk ringkasan lengkap persyaratan dan rekomendasi, lihat[Ringkasan persyaratan dan rekomendasi untuk daftar produk ML](#ml-summary-table-of-requirements-and-recommendations).
**catatan**
AWS Marketplace Perwakilan dapat menghubungi Anda untuk membantu Anda memenuhi persyaratan ini jika produk yang Anda publikasikan tidak memenuhi persyaratan tersebut.
**Topics**
+ [Praktik terbaik umum untuk produk ML](#ml-general-best-practices)
+ [Persyaratan untuk informasi penggunaan](#ml-requirements-for-usage-information)
+ [Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs)
+ [Persyaratan untuk notebook Jupyter](#ml-requirements-for-jupyter-notebook)
+ [Ringkasan persyaratan dan rekomendasi untuk daftar produk ML](#ml-summary-table-of-requirements-and-recommendations)
## Praktik terbaik umum untuk produk ML
Berikan informasi berikut untuk produk pembelajaran mesin Anda:
+ Untuk deskripsi produk, sertakan yang berikut ini:
+ Apa yang dilakukan model Anda
+ Siapa target pelanggan
+ Apa kasus penggunaan yang paling penting adalah
+ Bagaimana model Anda dilatih atau jumlah data yang digunakan
+ Apa metrik kinerja dan data validasi yang digunakan
+ Jika medis, apakah model Anda untuk penggunaan diagnostik atau tidak
+ Secara default, produk pembelajaran mesin dikonfigurasi untuk memiliki visibilitas publik. Namun, Anda dapat membuat produk dengan visibilitas terbatas. Untuk informasi selengkapnya, lihat [Langkah 7: Konfigurasikan allowlist](configure-allowlist.md).
+ (Opsional) Untuk produk berbayar, tawarkan uji coba gratis selama 14-30 hari bagi pelanggan untuk mencoba produk Anda. Untuk informasi selengkapnya, lihat [Harga produk pembelajaran mesin untuk AWS Marketplace](machine-learning-pricing.md).
## Persyaratan untuk informasi penggunaan
Informasi penggunaan yang jelas yang menggambarkan input dan output yang diharapkan dari produk Anda (dengan contoh) sangat penting untuk mendorong pengalaman pembeli yang positif.
Dengan setiap versi baru sumber daya Anda yang Anda tambahkan ke daftar produk Anda, Anda harus memberikan informasi penggunaan.
Untuk mengedit informasi penggunaan yang ada untuk versi tertentu, lihat[Memperbarui informasi versi](ml-manage-product-version.md#ml-updating-versions).
## Persyaratan untuk input dan output
Penjelasan yang jelas tentang parameter input yang didukung dan parameter output yang dikembalikan dengan contoh penting untuk membantu pembeli Anda memahami dan menggunakan produk Anda. Pemahaman ini membantu pembeli Anda untuk melakukan transformasi yang diperlukan pada data input untuk mendapatkan hasil inferensi terbaik.
Anda akan diminta untuk hal berikut saat menambahkan sumber daya Amazon SageMaker AI Anda ke daftar produk Anda.
### Input dan output inferensi
Untuk input inferensi, berikan deskripsi data input yang diharapkan produk Anda untuk pekerjaan endpoint real-time dan batch transform. Sertakan cuplikan kode untuk setiap pra-pemrosesan data yang diperlukan. Sertakan batasan, jika berlaku. Berikan sampel masukan yang dihosting di [GitHub](https://github.com).
Untuk output inferensi, berikan deskripsi data keluaran yang dikembalikan produk Anda untuk pekerjaan endpoint real-time dan batch transform. Sertakan batasan, jika berlaku. Berikan sampel keluaran yang dihosting di [GitHub](https://github.com).
Untuk sampel, berikan file input yang berfungsi dengan produk Anda. Jika model Anda melakukan klasifikasi multiclass, berikan setidaknya satu file input sampel untuk setiap kelas.
### Input pelatihan
Di bagian **Informasi untuk melatih model**, berikan format data input dan cuplikan kode untuk setiap pra-pemrosesan data yang diperlukan. Sertakan deskripsi nilai dan batasan, jika berlaku. Berikan sampel masukan yang dihosting di [GitHub](https://github.com).
Jelaskan fitur opsional dan wajib yang dapat disediakan oleh pembeli, dan tentukan apakah mode `PIPE` input didukung. Jika [pelatihan terdistribusi](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html#your-algorithms-training-algo-running-container-dist-training) (pelatihan dengan lebih dari 1 CPU/GPU instance) didukung, tentukan ini. Untuk penyetelan, daftarkan hyperparameters yang direkomendasikan.
## Persyaratan untuk notebook Jupyter
Saat menambahkan sumber daya SageMaker AI Anda ke daftar produk Anda, berikan tautan ke contoh notebook Jupyter yang dihosting [GitHub](https://github.com)yang menunjukkan alur kerja lengkap tanpa meminta pembeli untuk mengunggah atau menemukan data apa pun.
Gunakan AWS SDK for Python (Boto). Notebook sampel yang dikembangkan dengan baik memudahkan pembeli untuk mencoba dan menggunakan daftar Anda.
Untuk produk paket model, notebook sampel Anda mendemonstrasikan persiapan data input, pembuatan titik akhir untuk inferensi waktu nyata, dan kinerja pekerjaan transformasi batch. Untuk informasi selengkapnya, lihat [daftar Paket Model dan Contoh buku catatan](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_marketplace/curating_aws_marketplace_listing_and_sample_notebook/ModelPackage) di GitHub. Untuk contoh buku catatan, lihat [auto\$1insurance](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/using_model_packages/auto_insurance). Notebook berfungsi secara keseluruhan Wilayah AWS, tanpa memasukkan parameter apa pun dan tanpa pembeli yang perlu mencari data sampel.
**catatan**
Contoh notebook Jupyter yang belum berkembang yang tidak menunjukkan beberapa kemungkinan input dan langkah pra-pemrosesan data mungkin menyulitkan pembeli untuk sepenuhnya memahami proposisi nilai produk Anda.
Untuk produk algoritme, notebook sampel menunjukkan pelatihan lengkap, penyetelan, pembuatan model, pembuatan titik akhir untuk inferensi waktu nyata, dan kinerja pekerjaan transformasi batch. Untuk informasi selengkapnya, lihat [Daftar algoritma dan Contoh buku catatan](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/curating_aws_marketplace_listing_and_sample_notebook/Algorithm) di GitHub. [Untuk contoh buku catatan, lihat [amazon\$1demo\$1product](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/using_algorithms/amazon_demo_product) dan automl on.](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/using_algorithms/automl) GitHub Notebook sampel ini bekerja di semua Wilayah tanpa memasukkan parameter apa pun dan tanpa pembeli yang perlu mencari data sampel.
**catatan**
Kurangnya contoh data pelatihan dapat mencegah pembeli Anda menjalankan notebook Jupyter dengan sukses. Notebook sampel yang kurang berkembang dapat mencegah pembeli Anda menggunakan produk Anda dan menghambat adopsi.
## Ringkasan persyaratan dan rekomendasi untuk daftar produk ML
Tabel berikut memberikan ringkasan persyaratan dan rekomendasi untuk halaman daftar produk pembelajaran mesin.
| **Detail** | **Untuk daftar paket model** | **Untuk daftar algoritma** |
| --- |--- |--- |
| **Product descriptions** |
| --- |
| Jelaskan secara rinci apa yang dilakukan produk untuk jenis konten yang didukung (misalnya, “mendeteksi X dalam gambar”). | Diperlukan | Diperlukan |
| Berikan informasi yang menarik dan membedakan tentang produk (hindari kata sifat seperti klaim “terbaik” atau tidak berdasar). | Disarankan | Disarankan |
| Sebutkan kasus penggunaan terpenting untuk produk ini. | Diperlukan | Diperlukan |
| Jelaskan data (sumber dan ukuran) yang dilatih dan daftarkan batasan yang diketahui. | Diperlukan | Tidak berlaku |
| Jelaskan kerangka inti tempat model dibangun. | Disarankan | Disarankan |
| Ringkas metrik kinerja model pada data validasi (misalnya, “Akurasi persen XX.YY yang dibenchmark menggunakan dataset Z”). | Diperlukan | Tidak berlaku |
| Meringkas metrik and/or throughput latensi model pada jenis instans yang direkomendasikan. | Diperlukan | Tidak berlaku |
| Jelaskan kategori algoritma. Misalnya, “Algoritma regresi hutan keputusan ini didasarkan pada ansambel pengklasifikasi terstruktur pohon yang dibangun menggunakan teknik umum agregasi bootstrap dan pilihan fitur acak.” | Tidak berlaku | Diperlukan |
| **Usage information** |
| --- |
| Untuk inferensi, berikan deskripsi format input yang diharapkan untuk pekerjaan endpoint real-time dan batch transform. Sertakan batasan, jika berlaku. Lihat [Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs). | Diperlukan | Diperlukan |
| Untuk inferensi, berikan sampel input untuk pekerjaan endpoint real-time dan batch transform. Sampel harus di-host di GitHub. Lihat [Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs). | Diperlukan | Diperlukan |
| Untuk inferensi, berikan nama dan deskripsi setiap parameter input. Berikan rincian tentang keterbatasannya dan tentukan apakah diperlukan atau opsional. | Disarankan | Disarankan |
| Untuk inferensi, berikan detail tentang data keluaran yang dikembalikan produk Anda untuk pekerjaan endpoint real-time dan batch transform. Sertakan batasan apa pun, jika berlaku. Lihat [Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs). | Diperlukan | Diperlukan |
| Untuk inferensi, berikan sampel keluaran untuk pekerjaan endpoint real-time dan batch transform. Sampel harus di-host di GitHub. Lihat [Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs). | Diperlukan | Diperlukan |
| Untuk inferensi, berikan contoh penggunaan pekerjaan endpoint atau batch transform. Sertakan contoh kode menggunakan perintah AWS Command Line Interface (AWS CLI) atau menggunakan AWS SDK. | Diperlukan | Diperlukan |
| Untuk inferensi, berikan nama dan deskripsi setiap parameter output. Tentukan apakah selalu dikembalikan. | Disarankan | Disarankan |
| Untuk pelatihan, berikan detail tentang informasi yang diperlukan untuk melatih model seperti baris data minimum yang diperlukan. Lihat[Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs). | Tidak berlaku | Diperlukan |
| Untuk pelatihan, berikan sampel masukan yang dihosting di GitHub. Lihat [Persyaratan untuk input dan output](#ml-requirements-for-inputs-and-outputs). | Tidak berlaku | Diperlukan |
| Untuk pelatihan, berikan contoh melakukan pekerjaan pelatihan. Jelaskan hiperparameter yang didukung, rentangnya, dan dampak keseluruhannya. Tentukan apakah algoritme mendukung penyetelan hiperparameter, pelatihan terdistribusi, atau instance GPU. Sertakan contoh kode seperti AWS CLI perintah atau menggunakan AWS SDK, misalnya. | Tidak berlaku | Diperlukan |
| Sediakan notebook Jupyter yang dihosting untuk GitHub menunjukkan penggunaan lengkap produk Anda. Lihat [Persyaratan untuk notebook Jupyter](#ml-requirements-for-jupyter-notebook). | Diperlukan | Diperlukan |
| Memberikan informasi teknis terkait penggunaan produk, termasuk manual pengguna dan data sampel. | Disarankan | Disarankan |
# Memecahkan masalah dengan produk pembelajaran mesin
Bagian ini memberikan bantuan untuk beberapa kesalahan umum yang mungkin Anda temui selama proses penerbitan untuk produk pembelajaran mesin Anda. Jika masalah Anda tidak tercantum, hubungi tim [Operasi AWS Marketplace Penjual](https://aws.amazon.com/marketplace/management/contact-us/).
## Umum: Saya mendapatkan kesalahan 400 ketika saya menambahkan Nama Sumber Daya Amazon (ARN) dari paket model atau algoritme saya di Portal Manajemen AWS Marketplace
### Penyebab umum
Saat membuat produk pembelajaran mesin Anda di SageMaker AI, Anda tidak memilih untuk mempublikasikan produk Anda AWS Marketplace.
### Resolusi
Jika Anda menggunakan konsol Amazon SageMaker AI untuk membuat sumber daya Anda, Anda harus memilih **Ya** di halaman akhir proses untuk **Publikasikan paket model ini di AWS Marketplace** atau **Ya** untuk **Publikasikan algoritme ini di AWS Marketplace**. Anda tidak dapat memilih **Tidak** dan kemudian mempublikasikannya. Memilih **Ya** tidak mempublikasikan paket model atau algoritma. Namun, ini memvalidasi paket model atau sumber daya algoritme Anda saat dibuat, yang diperlukan untuk digunakan di AWS Marketplace.
Jika Anda menggunakan AWS SDK untuk [membuat paket model](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html#sagemaker-CreateModelPackage-request-CertifyForMarketplace) atau [membuat algoritme](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html#sagemaker-CreateAlgorithm-request-CertifyForMarketplace), pastikan parameter `CertifyForMarketplace` disetel ke`true`.
Setelah Anda membuat ulang paket model atau sumber daya algoritme bersertifikat dan tervalidasi, tambahkan ARN baru di file. Portal Manajemen AWS Marketplace
## Umum: Saya mendapatkan kesalahan 404 ketika saya menambahkan ARN paket model atau algoritme saya di Portal Manajemen AWS Marketplace
### Penyebab umum
Kesalahan ini dapat terjadi karena beberapa alasan:
+ ARN mungkin tidak valid.
+ Paket model atau sumber daya algoritme tidak dibuat Akun AWS sama dengan akun penjual.
+ Pengguna atau peran yang Anda gunakan untuk penerbitan tidak memiliki izin IAM yang benar untuk mengakses paket model atau sumber daya algoritme.
### Resolusi
1. Periksa ARN untuk memastikannya adalah ARN yang benar dan dalam format yang diharapkan:
Untuk paket model, ARNs seharusnya terlihat mirip dengan`arn:aws:sagemaker:us-east-2:000123456789:model-package/my-model-package-name`.
Untuk algoritma, ARNs seharusnya terlihat mirip `arn:aws:sagemaker:us-east-2:000123456789:algorithm/my-algorithm` dengan.
1. Pastikan bahwa semua sumber daya dan aset untuk penerbitan ada di akun penjual tempat Anda menerbitkan.
1. Pastikan bahwa pengguna atau peran Anda memiliki izin berikut:
Untuk paket model, tindakan `sagemaker:DescribeModelPackage` pada sumber daya paket model harus diizinkan.
Untuk algoritme, tindakan `sagemaker:DescribeAlgorithm` pada sumber daya algoritme harus diizinkan.
## Amazon SageMaker AI: Saya mendapatkan pesan kegagalan “Kesalahan klien: Akses ditolak untuk registri” saat saya membuat paket model atau sumber daya algoritme
### Penyebab umum
Kesalahan ini dapat terjadi ketika gambar yang digunakan untuk membuat paket model atau algoritma disimpan dalam repositori [Amazon ECR](https://aws.amazon.com/ecr/) milik orang lain. Akun AWS Paket model atau validasi algoritma tidak mendukung gambar lintas akun.
### Resolusi
Salin gambar ke repositori Amazon ECR yang dimiliki oleh Akun AWS yang Anda gunakan untuk mempublikasikan. Kemudian, lanjutkan dengan membuat sumber daya menggunakan lokasi gambar baru.
## Amazon SageMaker AI: Saya mendapatkan “Tidak Dimulai” dan “Kesalahan klien: Tidak ada pemindaian yang dijadwalkan...” pesan kegagalan saat saya membuat paket model atau sumber daya algoritme
### Penyebab umum
Kesalahan ini dapat terjadi ketika SageMaker AI gagal memulai pemindaian gambar kontainer Docker Anda yang disimpan di Amazon ECR.
### Resolusi
**Jika ini terjadi, buka [konsol Amazon ECR](https://console.aws.amazon.com/ecr/repositories?region=us-east-2), temukan repositori tempat gambar Anda diunggah, pilih gambar, lalu pilih Pindai.**