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

# Panggil titik akhir Anda
<a name="canvas-deploy-model-invoke"></a>

**catatan**  
Kami menyarankan Anda [menguji penerapan model Anda di Amazon SageMaker Canvas](canvas-deploy-model-test.md) sebelum menjalankan titik akhir SageMaker AI secara terprogram.

Anda dapat menggunakan model Amazon SageMaker Canvas yang telah Anda terapkan ke titik akhir SageMaker AI dalam produksi dengan aplikasi Anda. [Panggil titik akhir secara terprogram dengan cara yang sama seperti Anda memanggil titik akhir real-time AI lainnya. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) Memanggil titik akhir secara terprogram mengembalikan objek respons yang berisi bidang yang sama yang dijelaskan dalam. [Uji penerapan Anda](canvas-deploy-model-test.md)

Untuk informasi lebih rinci tentang cara memanggil titik akhir secara terprogram, lihat. [Memanggil model untuk inferensi waktu nyata](realtime-endpoints-test-endpoints.md)

Contoh Python berikut menunjukkan cara memanggil endpoint Anda berdasarkan jenis model.

## JumpStart model pondasi
<a name="canvas-invoke-js-example"></a>

Contoh berikut menunjukkan kepada Anda cara memanggil model JumpStart foundation yang telah Anda terapkan ke titik akhir.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
    [['feature_column1', 'feature_column2'], 
    ['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Model prediksi numerik dan kategoris
<a name="canvas-invoke-tabular-example"></a>

Contoh berikut menunjukkan cara memanggil model prediksi numerik atau kategoris.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Model peramalan deret waktu
<a name="canvas-invoke-forecast-example"></a>

Contoh berikut menunjukkan cara memanggil model peramalan deret waktu. Untuk contoh lengkap tentang cara menguji pemanggilan model peramalan deret waktu, lihat [Peramalan Seri Waktu dengan](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb) Amazon Autopilot. SageMaker 

```
import boto3
import pandas as pd

csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)

client = boto3.client("runtime.sagemaker")

body = data.to_csv(index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```

## Model prediksi gambar
<a name="canvas-invoke-cv-example"></a>

Contoh berikut menunjukkan cara memanggil model prediksi gambar.

```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
    body = file.read()
    response = client.invoke_endpoint(
        EndpointName="endpoint_name",
        ContentType="application/x-image",
        Body=body,
        Accept="application/json"
    )
```

## Model prediksi teks
<a name="canvas-invoke-nlp-example"></a>

Contoh berikut menunjukkan cara memanggil model prediksi teks.

```
import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)
```