Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Persyaratan dan praktik terbaik untuk membuat produk pembelajaran mesin
<a name="ml-listing-requirements-and-best-practices"></a>

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
<a name="ml-general-best-practices"></a>

 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
<a name="ml-requirements-for-usage-information"></a>

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
<a name="ml-requirements-for-inputs-and-outputs"></a>

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
<a name="ml-inference-inputs-and-outputs"></a>

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
<a name="ml-training-inputs"></a>

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
<a name="ml-requirements-for-jupyter-notebook"></a>

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
<a name="ml-summary-table-of-requirements-and-recommendations"></a>

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  |