Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Algoritma dan model khusus dengan AWS Marketplace
Bagian berikut menunjukkan cara membuat algoritme dan memodelkan sumber daya paket yang dapat Anda gunakan secara lokal dan memublikasikan ke AWS Marketplace.
**Topics**
+ [Pembuatan Sumber Daya Algoritma dan Model Package](sagemaker-mkt-create.md)
+ [Penggunaan Sumber Daya Algoritma dan Model Package](sagemaker-mkt-buy.md)
# Pembuatan Sumber Daya Algoritma dan Model Package
Setelah kode and/or inferensi pelatihan Anda dikemas dalam wadah Docker, buat algoritme dan model sumber daya paket yang dapat Anda gunakan di akun Amazon SageMaker AI Anda dan, secara opsional, terbitkan. AWS Marketplace
**Topics**
+ [Buat Sumber Daya Algoritma](sagemaker-mkt-create-algo.md)
+ [Membuat Model Package Resource](sagemaker-mkt-create-model-package.md)
# Buat Sumber Daya Algoritma
Anda dapat membuat sumber daya algoritme untuk digunakan dengan pekerjaan pelatihan di Amazon SageMaker AI, dan Anda dapat mempublikasikannya AWS Marketplace. Bagian berikut menjelaskan cara melakukannya menggunakan Konsol Manajemen AWS dan SageMaker API.
Untuk membuat sumber daya algoritma, Anda menentukan informasi berikut:
+ Kontainer Docker yang berisi pelatihan dan, secara opsional, kode inferensi.
+ Konfigurasi data input yang diharapkan algoritme Anda untuk pelatihan.
+ Hyperparameter yang didukung oleh algoritme Anda.
+ Metrik yang dikirimkan algoritme Anda ke Amazon CloudWatch selama pekerjaan pelatihan.
+ Jenis instans yang didukung algoritme Anda untuk pelatihan dan inferensi, dan apakah itu mendukung pelatihan terdistribusi di beberapa instance.
+ Profil validasi, yang merupakan pekerjaan pelatihan yang digunakan SageMaker AI untuk menguji kode pelatihan algoritme Anda dan pekerjaan transformasi batch yang dijalankan SageMaker AI untuk menguji kode inferensi algoritme Anda.
Untuk memastikan bahwa pembeli dan penjual dapat yakin bahwa produk bekerja di SageMaker AI, kami mengharuskan Anda memvalidasi algoritme Anda sebelum mencantumkannya. AWS Marketplace Anda dapat membuat daftar produk AWS Marketplace hanya jika validasi berhasil. Untuk memvalidasi algoritme Anda, SageMaker AI menggunakan profil validasi dan data sampel Anda untuk menjalankan tugas validasi berikut:
1. Buat pekerjaan pelatihan di akun Anda untuk memverifikasi bahwa gambar pelatihan Anda berfungsi dengan SageMaker AI.
1. Jika Anda menyertakan kode inferensi dalam algoritme Anda, buat model di akun Anda menggunakan gambar inferensi algoritme dan artefak model yang dihasilkan oleh pekerjaan pelatihan.
1. Jika Anda menyertakan kode inferensi dalam algoritme Anda, buat pekerjaan transformasi di akun Anda menggunakan model untuk memverifikasi bahwa gambar inferensi Anda berfungsi dengan SageMaker AI.
Saat Anda mencantumkan produk Anda AWS Marketplace, input dan output dari proses validasi ini tetap ada sebagai bagian dari produk Anda dan tersedia untuk pembeli Anda. Ini membantu pembeli memahami dan mengevaluasi produk sebelum mereka membelinya. Misalnya, pembeli dapat memeriksa data input yang Anda gunakan, output yang dihasilkan, dan log serta metrik yang dipancarkan oleh kode Anda. Semakin komprehensif spesifikasi validasi Anda, semakin mudah bagi pelanggan untuk mengevaluasi produk Anda.
**catatan**
Di profil validasi Anda, berikan hanya data yang ingin Anda paparkan secara publik.
Validasi dapat memakan waktu hingga beberapa jam. Untuk melihat status pekerjaan di akun Anda, di konsol SageMaker AI, lihat halaman **Training jobs** dan **Transform jobs**. Jika validasi gagal, Anda dapat mengakses laporan pemindaian dan validasi dari konsol SageMaker AI. Jika ada masalah yang ditemukan, Anda harus membuat algoritma lagi.
**catatan**
Untuk mempublikasikan algoritme Anda AWS Marketplace, setidaknya diperlukan satu profil validasi.
Anda dapat membuat algoritme dengan menggunakan konsol SageMaker AI atau SageMaker AI API.
**Topics**
+ [Membuat Sumber Daya Algoritma (Konsol)](#sagemaker-mkt-create-algo-console)
+ [Buat Sumber Daya Algoritma (API)](#sagemaker-mkt-create-algo-api)
## Membuat Sumber Daya Algoritma (Konsol)
**Untuk membuat sumber daya algoritme (konsol)**
1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dari menu sebelah kiri, pilih **Pelatihan**.
1. **Dari menu dropdown, pilih **Algoritma, lalu pilih Buat algoritma**.**
1. Pada halaman **Spesifikasi Pelatihan**, berikan informasi berikut:
1. Untuk **nama Algoritma**, ketikkan nama untuk algoritme Anda. Nama algoritme harus unik di akun Anda dan di AWS wilayah tersebut. Nama harus memiliki 1 hingga 64 karakter. Karakter yang valid adalah a-z, A-Z, 0-9, dan - (tanda hubung).
1. Ketik deskripsi untuk algoritme Anda. Deskripsi ini muncul di konsol SageMaker AI dan di AWS Marketplace.
1. Untuk **gambar Pelatihan, ketik jalur di Amazon ECR tempat wadah pelatihan Anda disimpan**.
1. Untuk **pelatihan terdistribusi Support**, Pilih **Ya** jika algoritme Anda mendukung pelatihan pada beberapa instance. Jika tidak, pilih **Tidak**.
1. Untuk **jenis instans Support untuk pelatihan**, pilih jenis instans yang didukung algoritme Anda.
1. Untuk **spesifikasi Saluran**, tentukan hingga 8 saluran data input untuk algoritme Anda. Misalnya, Anda dapat menentukan 3 saluran input bernama`train`,`validation`, dan`test`. Untuk setiap saluran, tentukan informasi berikut:
1. Untuk **nama Saluran**, ketikkan nama untuk saluran tersebut. Nama harus memiliki 1 hingga 64 karakter. Karakter yang valid adalah a-z, A-Z, 0-9, dan - (tanda hubung).
1. Untuk mewajibkan saluran untuk algoritme Anda, pilih **Saluran yang diperlukan**.
1. Ketik deskripsi untuk saluran.
1. Untuk **mode input yang didukung**, pilih **mode Pipa** jika algoritme Anda mendukung streaming data input, dan **mode File** jika algoritme Anda mendukung pengunduhan data input sebagai file. Anda dapat memilih keduanya.
1. Untuk **jenis konten yang didukung**, ketik tipe MIME yang diharapkan algoritme untuk data masukan.
1. Untuk **jenis kompresi yang didukung**, pilih **Gzip** jika algoritme Anda mendukung kompresi Gzip. Jika tidak, pilih **Tidak ada**.
1. Pilih **Tambah saluran** untuk menambahkan saluran input data lain, atau pilih **Berikutnya** jika Anda selesai menambahkan saluran.
1. Pada halaman **spesifikasi Tuning**, berikan informasi berikut:
1. Untuk **spesifikasi Hyperparameter**, tentukan hyperparameters yang didukung algoritme Anda dengan mengedit objek JSON. Untuk setiap hyperparameter yang didukung algoritme Anda, buat blok JSON yang mirip dengan yang berikut ini:
```
{
"DefaultValue": "5",
"Description": "The first hyperparameter",
"IsRequired": true,
"IsTunable": false,
"Name": "intRange",
"Range": {
"IntegerParameterRangeSpecification": {
"MaxValue": "10",
"MinValue": "1"
},
"Type": "Integer"
}
```
Di JSON, berikan yang berikut ini:
1. Untuk`DefaultValue`, tentukan nilai default untuk hyperparameter, jika ada.
1. Untuk`Description`, tentukan deskripsi untuk hyperparameter.
1. Untuk`IsRequired`, tentukan apakah hyperparameter diperlukan.
1. Untuk`IsTunable`, tentukan `true` apakah hyperparameter ini dapat disetel saat pengguna menjalankan tugas tuning hyperparameter yang menggunakan algoritme ini. Untuk informasi, lihat [Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md).
1. Untuk`Name`, tentukan nama untuk hyperparameter.
1. Untuk`Range`, tentukan salah satu dari berikut ini:
+ `IntegerParameterRangeSpecification`- nilai hyperparameter adalah bilangan bulat. Tentukan nilai minimum dan maksimum untuk hyperparameter.
+
+ `ContinuousParameterRangeSpecification`- nilai hyperparameter adalah nilai floating-point. Tentukan nilai minimum dan maksimum untuk hyperparameter.
+ `CategoricalParameterRangeSpecification`- nilai hyperparameter adalah nilai kategoris. Tentukan daftar semua nilai yang mungkin.
1. Untuk`Type`, tentukan`Integer`,`Continuous`, atau`Categorical`. Nilai harus sesuai dengan jenis `Range` yang Anda tentukan.
1. Untuk **definisi Metrik**, tentukan metrik pelatihan apa pun yang Anda ingin algoritme Anda pancarkan. SageMaker AI menggunakan ekspresi reguler yang Anda tentukan untuk menemukan metrik dengan mengurai log dari wadah pelatihan Anda selama pelatihan. Pengguna dapat melihat metrik ini saat mereka menjalankan pekerjaan pelatihan dengan algoritme Anda, dan mereka dapat memantau dan memplot metrik di Amazon. CloudWatch Untuk informasi, lihat [CloudWatch Metrik Amazon untuk Memantau dan Menganalisis Pekerjaan Pelatihan](training-metrics.md). Untuk setiap metrik, berikan informasi berikut:
1. Untuk **nama Metrik**, ketikkan nama untuk metrik.
1. Untuk`Regex`, ketik ekspresi reguler yang digunakan SageMaker AI untuk mengurai log pelatihan sehingga dapat menemukan nilai metrik.
1. Untuk **dukungan metrik Objective** pilih **Yes** jika metrik ini dapat digunakan sebagai metrik objektif untuk pekerjaan tuning hyperparameter. Untuk informasi, lihat [Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md).
1. Pilih **Tambahkan metrik** untuk menambahkan metrik lain, atau pilih **Berikutnya** jika Anda selesai menambahkan metrik.
1. Pada halaman **spesifikasi Inferensi**, berikan informasi berikut jika algoritme Anda mendukung inferensi:
1. Untuk **Lokasi gambar inferensi**, ketik jalur di Amazon ECR tempat wadah inferensi Anda disimpan.
1. Untuk **nama host DNS Container**, ketikkan nama host DNS untuk gambar Anda.
1. Untuk **tipe instans yang Didukung untuk inferensi waktu nyata**, pilih jenis instans yang didukung algoritme Anda untuk model yang digunakan sebagai titik akhir yang dihosting di AI. SageMaker Untuk informasi, lihat [Menyebarkan model untuk inferensi](deploy-model.md).
1. Untuk **tipe instans yang didukung untuk pekerjaan transformasi batch**, pilih jenis instans yang didukung algoritme Anda untuk pekerjaan transformasi batch. Untuk informasi, lihat [Transformasi Batch untuk inferensi dengan Amazon AI SageMaker](batch-transform.md).
1. Untuk **jenis konten yang didukung**, ketikkan jenis data input yang diharapkan algoritme Anda untuk permintaan inferensi.
1. Untuk **tipe MIME respons yang didukung**, ketik tipe MIME yang didukung algoritme Anda untuk respons inferensi.
1. Pilih **Berikutnya**.
1. Pada halaman **spesifikasi Validasi**, berikan informasi berikut:
1. Untuk **Publikasikan algoritma ini AWS Marketplace**, pilih **Ya** untuk mempublikasikan algoritme AWS Marketplace.
1. Untuk **Validasi sumber daya ini**, pilih **Ya** jika Anda ingin SageMaker AI menjalankan kode and/or batch transform jobs that you specify to test the training and/or inferensi pekerjaan pelatihan algoritme Anda.
**catatan**
Untuk mempublikasikan algoritme Anda AWS Marketplace, algoritme Anda harus divalidasi.
1. Untuk **peran IAM**, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan pelatihan dan mengubah pekerjaan batch di SageMaker AI, atau pilih **Buat peran baru untuk memungkinkan SageMaker AI membuat peran** yang memiliki kebijakan `AmazonSageMakerFullAccess` terkelola yang dilampirkan. Untuk informasi, lihat [Cara menggunakan peran eksekusi SageMaker AI](sagemaker-roles.md).
1. Untuk **profil Validasi**, tentukan yang berikut ini:
+ Nama untuk profil validasi.
+ **Definisi pekerjaan Pelatihan**. Ini adalah blok JSON yang menggambarkan pekerjaan pelatihan. Ini dalam format yang sama dengan parameter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html)input [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API.
+ **Definisi pekerjaan Transform**. Ini adalah blok JSON yang menjelaskan pekerjaan transformasi batch. Ini dalam format yang sama dengan parameter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html)input [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API.
1. Pilih **Buat algoritma**.
## Buat Sumber Daya Algoritma (API)
Untuk membuat sumber daya algoritme dengan menggunakan SageMaker API, panggil [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API.
# Membuat Model Package Resource
Untuk membuat sumber daya paket model yang dapat Anda gunakan untuk membuat model yang dapat diterapkan di Amazon SageMaker AI dan memublikasikan pada AWS Marketplace tentukan informasi berikut:
+ Container Docker yang berisi kode inferensi, atau sumber daya algoritme yang digunakan untuk melatih model.
+ Lokasi artefak model. Artefak model dapat dikemas dalam wadah Docker yang sama dengan kode inferensi atau disimpan di Amazon S3.
+ Jenis instance yang didukung paket model Anda untuk inferensi real-time dan pekerjaan transformasi batch.
+ Profil validasi, yang merupakan pekerjaan transformasi batch yang dijalankan SageMaker AI untuk menguji kode inferensi paket model Anda.
Sebelum membuat daftar paket model AWS Marketplace, Anda harus memvalidasinya. Ini memastikan bahwa pembeli dan penjual dapat yakin bahwa produk bekerja di Amazon SageMaker AI. Anda dapat membuat daftar produk AWS Marketplace hanya jika validasi berhasil.
Prosedur validasi menggunakan profil validasi dan data sampel Anda untuk menjalankan tugas validasi berikut:
1. Buat model di akun Anda menggunakan gambar inferensi paket model dan artefak model opsional yang disimpan di Amazon S3.
**catatan**
Paket model khusus untuk wilayah tempat Anda membuatnya. Bucket S3 tempat artefak model disimpan harus berada di wilayah yang sama tempat Anda membuat paket model.
1. Buat pekerjaan transformasi di akun Anda menggunakan model untuk memverifikasi bahwa gambar inferensi Anda berfungsi dengan SageMaker AI.
1. Buat profil validasi.
**catatan**
Di profil validasi Anda, berikan hanya data yang ingin Anda paparkan secara publik.
Validasi dapat memakan waktu hingga beberapa jam. Untuk melihat status pekerjaan di akun Anda, di konsol SageMaker AI, lihat halaman **Transform jobs**. Jika validasi gagal, Anda dapat mengakses laporan pemindaian dan validasi dari konsol SageMaker AI. Setelah memperbaiki masalah, buat ulang algoritme. Ketika status algoritme adalah`COMPLETED`, temukan di konsol SageMaker AI dan mulai proses daftar
**catatan**
Untuk mempublikasikan paket model Anda AWS Marketplace, setidaknya diperlukan satu profil validasi.
Anda dapat membuat paket model baik dengan menggunakan konsol SageMaker AI atau dengan menggunakan SageMaker API.
**Topics**
+ [Membuat Model Package Resource (Console)](#sagemaker-mkt-create-model-pkg-console)
+ [Membuat Model Package Resource (API)](#sagemaker-mkt-create-model-pkg-api)
## Membuat Model Package Resource (Console)
**Untuk membuat paket model di konsol SageMaker AI:**
1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dari menu sebelah kiri, pilih **Inferensi**.
1. Pilih **paket model Marketplace**, lalu pilih **Create marketplace model package**.
1. Pada halaman **spesifikasi Inferensi**, berikan informasi berikut:
1. Untuk **nama paket Model**, ketikkan nama untuk paket model Anda. Nama paket model harus unik di akun Anda dan di AWS wilayah tersebut. Nama harus memiliki 1 hingga 64 karakter. Karakter yang valid adalah a-z, A-Z, 0-9, dan - (tanda hubung).
1. Ketik deskripsi untuk paket model Anda. Deskripsi ini muncul di konsol SageMaker AI dan di AWS Marketplace.
1. Untuk **opsi spesifikasi Inferensi**, pilih **Berikan lokasi gambar inferensi dan artefak model** untuk membuat paket model dengan menggunakan wadah inferensi dan artefak model. Pilih **Berikan algoritme yang digunakan untuk pelatihan dan artefak modelnya** untuk membuat paket model dari sumber daya algoritme yang Anda buat atau berlangganan. AWS Marketplace
1. **Jika Anda memilih **Menyediakan lokasi gambar inferensi dan artefak model** untuk **opsi spesifikasi Inferensi**, berikan informasi berikut untuk **definisi Penampung** dan sumber daya yang Didukung:**
1. Untuk **Lokasi gambar inferensi**, ketik jalur ke gambar yang berisi kode inferensi Anda. Gambar harus disimpan sebagai wadah Docker di Amazon ECR.
1. Untuk **Lokasi artefak data model**, ketik lokasi di S3 tempat artefak model Anda disimpan.
1. Untuk **nama host DNS Container**, ketikkan nama host DNS yang akan digunakan untuk penampung Anda.
1. Untuk **jenis instans yang Didukung untuk inferensi waktu nyata**, pilih jenis instans yang didukung paket model Anda untuk inferensi real-time dari titik akhir yang dihosting SageMaker AI.
1. Untuk **tipe instans yang didukung untuk pekerjaan transformasi batch**, pilih jenis instans yang didukung paket model Anda untuk pekerjaan transformasi batch.
1. **Jenis konten yang didukung**, ketikkan jenis konten yang diharapkan paket model Anda untuk permintaan inferensi.
1. Untuk **tipe MIME respons yang didukung**, ketik tipe MIME yang digunakan paket model Anda untuk memberikan kesimpulan.
1. Jika Anda memilih **Berikan algoritme yang digunakan untuk pelatihan dan artefak modelnya** untuk **opsi spesifikasi Inferensi**, berikan informasi berikut:
1. Untuk **ALGORITMA ARN**, ketik Amazon Resource Name (ARN) dari sumber daya algoritme yang akan digunakan untuk membuat paket model.
1. Untuk **Lokasi artefak data model**, ketik lokasi di S3 tempat artefak model Anda disimpan.
1. Pilih **Berikutnya**.
1. Pada halaman **Validasi dan pemindaian**, berikan informasi berikut:
1. Untuk **Publikasikan paket model ini AWS Marketplace**, pilih **Ya** untuk mempublikasikan paket model AWS Marketplace.
1. Untuk **Validasi sumber daya ini**, pilih **Ya** jika Anda ingin SageMaker AI menjalankan pekerjaan transformasi batch yang Anda tentukan untuk menguji kode inferensi paket model Anda.
**catatan**
Untuk mempublikasikan paket model Anda AWS Marketplace, paket model Anda harus divalidasi.
1. Untuk **peran IAM**, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan transformasi batch di SageMaker AI, atau pilih **Buat peran baru untuk memungkinkan SageMaker AI membuat peran** yang memiliki kebijakan `AmazonSageMakerFullAccess` terkelola yang dilampirkan. Untuk informasi, lihat [Cara menggunakan peran eksekusi SageMaker AI](sagemaker-roles.md).
1. Untuk **profil Validasi**, tentukan yang berikut ini:
+ Nama untuk profil validasi.
+ **Definisi pekerjaan Transform**. Ini adalah blok JSON yang menjelaskan pekerjaan transformasi batch. Ini dalam format yang sama dengan parameter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html)input [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API.
1. Pilih **Buat paket model pasar**.
## Membuat Model Package Resource (API)
Untuk membuat paket model dengan menggunakan SageMaker API, panggil [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html)API.
# Penggunaan Sumber Daya Algoritma dan Model Package
Anda dapat membuat algoritme dan model paket sebagai sumber daya di akun Amazon SageMaker AI Anda, dan Anda dapat menemukan dan berlangganan algoritme dan paket model. AWS Marketplace
Gunakan algoritma untuk:
+ Jalankan pekerjaan pelatihan. Untuk informasi, lihat [Gunakan Algoritma untuk Menjalankan Training Job](sagemaker-mkt-algo-train.md).
+ Jalankan pekerjaan tuning hyperparameter. Untuk informasi, lihat [Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter](sagemaker-mkt-algo-tune.md).
+ Buat paket model. Setelah Anda menggunakan sumber daya algoritme untuk menjalankan pekerjaan pelatihan atau pekerjaan tuning hyperparameter, Anda dapat menggunakan artefak model yang dihasilkan pekerjaan ini bersama dengan algoritme untuk membuat paket model. Untuk informasi, lihat [Membuat Model Package Resource](sagemaker-mkt-create-model-package.md).
**catatan**
Jika Anda berlangganan algoritme aktif AWS Marketplace, Anda harus membuat paket model sebelum Anda dapat menggunakannya untuk mendapatkan kesimpulan dengan membuat titik akhir yang dihosting atau menjalankan pekerjaan transformasi batch.
![\[Alur kerja pembeli pasar.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
Gunakan paket model untuk:
+ Buat model yang dapat Anda gunakan untuk mendapatkan inferensi waktu nyata atau menjalankan pekerjaan transformasi batch. Untuk informasi, lihat [Menggunakan Model Package untuk Membuat Model](sagemaker-mkt-model-pkg-model.md).
+ Buat titik akhir yang dihosting untuk mendapatkan inferensi waktu nyata. Untuk informasi, lihat [Menyebarkan Model ke Layanan Hosting SageMaker AI](ex1-model-deployment.md#ex1-deploy-model).
+ Buat pekerjaan transformasi batch. Untuk informasi, lihat [(Opsional) Buat Prediksi dengan Batch Transform](ex1-model-deployment.md#ex1-batch-transform).
**Topics**
+ [Gunakan Algoritma untuk Menjalankan Training Job](sagemaker-mkt-algo-train.md)
+ [Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter](sagemaker-mkt-algo-tune.md)
+ [Menggunakan Model Package untuk Membuat Model](sagemaker-mkt-model-pkg-model.md)
# Gunakan Algoritma untuk Menjalankan Training Job
Anda dapat membuat menggunakan sumber daya algoritme untuk membuat pekerjaan pelatihan dengan menggunakan konsol Amazon SageMaker AI, SageMaker API Amazon tingkat rendah, atau SDK [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**catatan**
Peran eksekusi Anda harus memiliki `sagemaker:DescribeAlgorithm` izin untuk sumber daya algoritme yang Anda tentukan. Untuk informasi selengkapnya tentang izin peran eksekusi, lihat[CreateTrainingJob API: Izin Peran Eksekusi](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Menggunakan Algoritma untuk Menjalankan Training Job (Console)](#sagemaker-mkt-algo-train-console)
+ [Menggunakan Algoritma untuk Menjalankan Training Job (API)](#sagemaker-mkt-algo-train-api)
+ [Menggunakan Algoritma untuk Menjalankan Training Job ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)](#sagemaker-mkt-algo-train-sdk)
## Menggunakan Algoritma untuk Menjalankan Training Job (Console)
**Untuk menggunakan algoritma untuk menjalankan pekerjaan pelatihan (konsol)**
1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Pilih **Algoritma.**
1. Pilih algoritme yang Anda buat dari daftar di tab **Algoritma saya** atau pilih algoritme yang Anda langgani di tab **AWS Marketplace langganan**.
1. Pilih **Buat pekerjaan pelatihan**.
Algoritma yang Anda pilih akan dipilih secara otomatis.
1. Pada halaman **Buat pekerjaan pelatihan**, berikan informasi berikut:
1. Untuk **nama Job**, ketikkan nama untuk pekerjaan pelatihan.
1. Untuk **peran IAM**, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan pelatihan di SageMaker AI, atau pilih **Buat peran baru untuk memungkinkan SageMaker AI membuat peran** yang memiliki kebijakan `AmazonSageMakerFullAccess` terkelola yang dilampirkan. Untuk informasi, lihat [Cara menggunakan peran eksekusi SageMaker AI](sagemaker-roles.md).
1. Untuk **konfigurasi Sumber Daya**, berikan informasi berikut:
1. Untuk **tipe Instance**, pilih jenis instance yang akan digunakan untuk pelatihan.
1. Untuk **jumlah Instans**, ketikkan jumlah instans ML yang akan digunakan untuk pekerjaan pelatihan.
1. Untuk **Volume tambahan per instans (GB)**, ketikkan ukuran volume penyimpanan ML yang ingin Anda berikan. Volume penyimpanan ML menyimpan artefak model dan status inkremental.
1. Untuk **kunci Enkripsi**, jika Anda ingin Amazon SageMaker AI menggunakan kunci Layanan Manajemen AWS Kunci untuk mengenkripsi data dalam volume penyimpanan ML yang dilampirkan ke instans pelatihan, tentukan kuncinya.
1. Untuk **kondisi Berhenti**, tentukan jumlah waktu maksimum dalam detik, menit, jam, atau hari, yang Anda inginkan untuk menjalankan pekerjaan pelatihan.
1. Untuk **VPC**, pilih VPC Amazon yang ingin Anda izinkan untuk diakses oleh wadah pelatihan Anda. Untuk informasi selengkapnya, lihat [Berikan Akses Pekerjaan Pelatihan SageMaker AI ke Sumber Daya di VPC Amazon Anda](train-vpc.md).
1. Untuk **Hyperparameters**, tentukan nilai hyperparameters yang akan digunakan untuk pekerjaan pelatihan.
1. Untuk **konfigurasi data input**, tentukan nilai berikut untuk setiap saluran data input yang akan digunakan untuk pekerjaan pelatihan. Anda dapat melihat saluran algoritme yang Anda gunakan untuk dukungan pelatihan, dan jenis konten, jenis kompresi yang didukung, dan mode input yang didukung untuk setiap saluran, di bawah bagian **Spesifikasi saluran** pada halaman **ringkasan Algoritma** untuk algoritme.
1. Untuk **nama Saluran**, ketik nama saluran input.
1. Untuk **tipe Konten**, ketikkan tipe konten data yang diharapkan algoritme untuk saluran tersebut.
1. Untuk **jenis Kompresi**, pilih jenis kompresi data yang akan digunakan, jika ada.
1. Untuk **Record wrapper**, pilih `RecordIO` apakah algoritma mengharapkan data dalam format. `RecordIO`
1. Untuk **tipe data S3, tipe** **distribusi data S3**, dan **lokasi S3**, tentukan nilai yang sesuai. Untuk informasi tentang arti nilai-nilai ini, lihat [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Untuk **mode Input**, pilih **File** untuk mengunduh data dari ke volume penyimpanan ML yang disediakan, dan pasang direktori ke volume Docker. Pilih **Pipe** Untuk mengalirkan data langsung dari Amazon S3 ke wadah.
1. Untuk menambahkan saluran input lain, pilih **Tambah saluran**. Jika Anda selesai menambahkan saluran input, pilih **Selesai**.
1. Untuk lokasi **Output**, tentukan nilai berikut:
1. Untuk **jalur keluaran S3**, pilih lokasi S3 tempat pekerjaan pelatihan menyimpan output, seperti artefak model.
**catatan**
Anda menggunakan artefak model yang disimpan di lokasi ini untuk membuat model atau paket model dari pekerjaan pelatihan ini.
1. Untuk **kunci Enkripsi**, jika Anda ingin SageMaker AI menggunakan AWS KMS kunci untuk mengenkripsi data keluaran saat istirahat di lokasi S3.
1. Untuk **Tag**, tentukan satu atau beberapa tag untuk mengelola pekerjaan pelatihan. Setiap tag terdiri dari kunci dan nilai opsional. Kunci tanda harus unik untuk setiap sumber daya.
1. Pilih **Buat pekerjaan pelatihan** untuk menjalankan pekerjaan pelatihan.
## Menggunakan Algoritma untuk Menjalankan Training Job (API)
Untuk menggunakan algoritme untuk menjalankan tugas pelatihan menggunakan SageMaker API, tentukan nama atau Nama Sumber Daya Amazon (ARN) sebagai `AlgorithmName` bidang [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objek yang Anda kirim. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Untuk informasi tentang model pelatihan di SageMaker AI, lihat[Latih Model dengan Amazon SageMaker](how-it-works-training.md).
## Menggunakan Algoritma untuk Menjalankan Training Job ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)
Gunakan algoritme yang Anda buat atau berlangganan AWS Marketplace untuk membuat pekerjaan pelatihan, buat `AlgorithmEstimator` objek, dan tentukan Nama Sumber Daya Amazon (ARN) atau nama algoritme sebagai nilai `algorithm_arn` argumen. Kemudian panggil `fit` metode estimator. Contoh:
```
from sagemaker import AlgorithmEstimator
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.fit({'training': train_input})
```
# Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter
Bagian berikut menjelaskan cara menggunakan sumber daya algoritme untuk menjalankan pekerjaan tuning hyperparameter di Amazon SageMaker AI. Pekerjaan penyetelan hyperparameter menemukan versi terbaik dari model dengan menjalankan banyak pekerjaan pelatihan pada kumpulan data Anda menggunakan algoritme dan rentang hiperparameter yang Anda tentukan. Kemudian memilih nilai hyperparameter yang menghasilkan model yang berkinerja terbaik, yang diukur dengan metrik yang Anda pilih. Untuk informasi selengkapnya, lihat [Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md).
Anda dapat membuat menggunakan sumber daya algoritme untuk membuat pekerjaan penyetelan hiperparameter dengan menggunakan konsol Amazon SageMaker AI, API Amazon SageMaker tingkat rendah, atau SDK [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter (Console)](#sagemaker-mkt-algo-tune-console)
+ [Menggunakan Algoritma untuk Menjalankan Hyperparameter Tuning Job (API)](#sagemaker-mkt-algo-tune-api)
+ [Menggunakan Algoritma untuk Menjalankan Pekerjaan Tuning Hyperparameter (Amazon [Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter (Console)
**Untuk menggunakan algoritme untuk menjalankan pekerjaan tuning hyperparameter (konsol)**
1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Pilih **Algoritma.**
1. Pilih algoritme yang Anda buat dari daftar di tab **Algoritma saya** atau pilih algoritme yang Anda langgani di tab **AWS Marketplace langganan**.
1. Pilih **Buat pekerjaan tuning hyperparameter**.
Algoritma yang Anda pilih akan dipilih secara otomatis.
1. Pada halaman **pekerjaan penyetelan Create hyperparameter**, berikan informasi berikut:
1. Untuk **Warm start**, pilih **Aktifkan start hangat** untuk menggunakan informasi dari pekerjaan penyetelan hiperparameter sebelumnya sebagai titik awal untuk pekerjaan penyetelan hiperparameter ini. Untuk informasi selengkapnya, lihat [Jalankan Pekerjaan Tuning Hyperparameter Mulai yang Hangat](automatic-model-tuning-warm-start.md).
1. Pilih **Data dan algoritme identik** jika data input Anda sama dengan data input untuk pekerjaan induk dari pekerjaan penyetelan hiperparameter ini, atau pilih **Transfer pembelajaran** untuk menggunakan data input tambahan atau berbeda untuk pekerjaan penyetelan hiperparameter ini.
1. Untuk pekerjaan **penyetelan hiperparameter Induk, pilih hingga 5 pekerjaan** penyetelan hiperparameter untuk digunakan sebagai orang tua untuk pekerjaan penyetelan hiperparameter ini.
1. Untuk **nama pekerjaan tuning Hyperparameter**, ketikkan nama untuk pekerjaan tuning.
1. Untuk **peran IAM**, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan tuning hyperparameter di SageMaker AI, atau pilih **Buat peran baru untuk memungkinkan SageMaker AI membuat peran yang** memiliki kebijakan terkelola yang dilampirkan. `AmazonSageMakerFullAccess` Untuk informasi, lihat [Cara menggunakan peran eksekusi SageMaker AI](sagemaker-roles.md).
1. Untuk **VPC**, pilih VPC Amazon yang ingin Anda izinkan untuk mengakses pekerjaan pelatihan yang diluncurkan oleh pekerjaan penyetelan. Untuk informasi selengkapnya, lihat [Berikan Akses Pekerjaan Pelatihan SageMaker AI ke Sumber Daya di VPC Amazon Anda](train-vpc.md).
1. Pilih **Berikutnya**.
1. Untuk **metrik Objective**, pilih metrik yang digunakan oleh tugas tuning hyperparameter untuk menentukan kombinasi terbaik dari hyperparameters, dan pilih apakah akan meminimalkan atau memaksimalkan metrik ini. Untuk informasi selengkapnya, lihat [Lihat Training Job Terbaik](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Untuk **konfigurasi Hyperparameter**, pilih rentang untuk hyperparameter yang dapat disetel yang ingin dicari oleh pekerjaan penyetelan, dan tetapkan nilai statis untuk hiperparameter yang ingin tetap konstan di semua pekerjaan pelatihan yang diluncurkan oleh tugas tuning hyperparameter. Untuk informasi selengkapnya, lihat [Tentukan Rentang Hyperparameter](automatic-model-tuning-define-ranges.md).
1. Pilih **Berikutnya**.
1. Untuk **konfigurasi data Input**, tentukan nilai berikut untuk setiap saluran data input yang akan digunakan untuk pekerjaan penyetelan hyperparameter. Anda dapat melihat saluran apa yang didukung algoritme yang Anda gunakan untuk penyetelan hiperparameter, dan jenis konten, jenis kompresi yang didukung, dan mode input yang didukung untuk setiap saluran, di bawah bagian **Spesifikasi saluran** pada halaman **ringkasan Algoritma** untuk algoritme.
1. Untuk **nama Saluran**, ketik nama saluran input.
1. Untuk **tipe Konten**, ketikkan tipe konten data yang diharapkan algoritme untuk saluran tersebut.
1. Untuk **jenis Kompresi**, pilih jenis kompresi data yang akan digunakan, jika ada.
1. Untuk **Record wrapper**, pilih `RecordIO` apakah algoritma mengharapkan data dalam format. `RecordIO`
1. Untuk **tipe data S3, tipe** **distribusi data S3**, dan **lokasi S3**, tentukan nilai yang sesuai. Untuk informasi tentang arti nilai-nilai ini, lihat [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Untuk **mode Input**, pilih **File** untuk mengunduh data dari ke volume penyimpanan ML yang disediakan, dan pasang direktori ke volume Docker. Pilih **Pipe** Untuk mengalirkan data langsung dari Amazon S3 ke wadah.
1. Untuk menambahkan saluran input lain, pilih **Tambah saluran**. Jika Anda selesai menambahkan saluran input, pilih **Selesai**.
1. Untuk lokasi **Output**, tentukan nilai berikut:
1. Untuk **jalur keluaran S3**, pilih lokasi S3 tempat pekerjaan pelatihan yang diluncurkan oleh pekerjaan penyetelan hyperparameter ini, seperti artefak model.
**catatan**
Anda menggunakan artefak model yang disimpan di lokasi ini untuk membuat model atau paket model dari pekerjaan tuning hyperparameter ini.
1. Untuk **kunci Enkripsi**, jika Anda ingin SageMaker AI menggunakan AWS KMS kunci untuk mengenkripsi data keluaran saat istirahat di lokasi S3.
1. Untuk **konfigurasi Sumber Daya**, berikan informasi berikut:
1. Untuk **tipe Instance**, pilih jenis instance yang akan digunakan untuk setiap pekerjaan pelatihan yang diluncurkan oleh tugas tuning hyperparameter.
1. Untuk **jumlah Instance**, ketikkan jumlah instance ML yang akan digunakan untuk setiap pekerjaan pelatihan yang diluncurkan oleh tugas tuning hyperparameter.
1. Untuk **Volume tambahan per instans (GB)**, ketikkan ukuran volume penyimpanan ML yang ingin Anda sediakan untuk setiap tugas pelatihan yang diluncurkan oleh tugas tuning hyperparameter. Volume penyimpanan ML menyimpan artefak model dan status inkremental.
1. Untuk **kunci Enkripsi**, jika Anda ingin Amazon SageMaker AI menggunakan kunci Layanan Manajemen AWS Kunci untuk mengenkripsi data dalam volume penyimpanan ML yang dilampirkan ke instans pelatihan, tentukan kuncinya.
1. Untuk **batas Sumber Daya**, berikan informasi berikut:
1. Untuk **pekerjaan pelatihan maksimum**, tentukan jumlah maksimum pekerjaan pelatihan yang Anda inginkan untuk memulai pekerjaan tuning hyperparameter. Pekerjaan tuning hyperparameter dapat meluncurkan maksimal 500 pekerjaan pelatihan.
1. Untuk **pekerjaan pelatihan paralel maksimum**, tentukan jumlah maksimum pekerjaan pelatihan bersamaan yang dapat diluncurkan oleh pekerjaan tuning hyperparameter. Pekerjaan tuning hyperparameter dapat meluncurkan maksimal 10 pekerjaan pelatihan bersamaan.
1. Untuk **kondisi Berhenti**, tentukan jumlah waktu maksimum dalam detik, menit, jam, atau hari, yang Anda inginkan agar setiap pekerjaan pelatihan yang diluncurkan oleh pekerjaan tuning hyperparameter dijalankan.
1. Untuk **Tag**, tentukan satu atau beberapa tag untuk mengelola tugas penyetelan hyperparameter. Setiap tag terdiri dari kunci dan nilai opsional. Kunci tanda harus unik untuk setiap sumber daya.
1. Pilih **Buat pekerjaan** untuk menjalankan pekerjaan tuning hyperparameter.
## Menggunakan Algoritma untuk Menjalankan Hyperparameter Tuning Job (API)
Untuk menggunakan algoritme untuk menjalankan tugas penyetelan hyperparameter dengan menggunakan SageMaker API, tentukan nama atau Nama Sumber Daya Amazon (ARN) algoritme sebagai `AlgorithmName` bidang [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objek yang Anda kirim. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) Untuk informasi tentang penyetelan hyperparameter di SageMaker AI, lihat. [Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md)
## Menggunakan Algoritma untuk Menjalankan Pekerjaan Tuning Hyperparameter (Amazon [Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable))
Gunakan algoritme yang Anda buat atau berlangganan AWS Marketplace untuk membuat pekerjaan tuning hyperparameter, buat `AlgorithmEstimator` objek, dan tentukan Amazon Resource Name (ARN) atau nama algoritme sebagai nilai argumen. `algorithm_arn` Kemudian inisialisasi `HyperparameterTuner` objek dengan yang `AlgorithmEstimator` Anda buat sebagai nilai `estimator` argumen. Akhirnya, panggil `fit` metode`AlgorithmEstimator`. Contoh:
```
from sagemaker import AlgorithmEstimator
from sagemaker.tuner import HyperparameterTuner
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:764419575721:algorithm/scikit-decision-trees-1542410022',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.set_hyperparameters(max_leaf_nodes=10)
tuner = HyperparameterTuner(estimator=algo, base_tuning_job_name='some-name',
objective_metric_name='validation:accuracy',
hyperparameter_ranges=hyperparameter_ranges,
max_jobs=2, max_parallel_jobs=2)
tuner.fit({'training': train_input}, include_cls_metadata=False)
tuner.wait()
```
# Menggunakan Model Package untuk Membuat Model
Gunakan paket model untuk membuat model deployable yang dapat Anda gunakan untuk mendapatkan inferensi real-time dengan membuat endpoint yang dihosting atau untuk menjalankan pekerjaan transformasi batch. Anda dapat membuat model deployable dari paket model dengan menggunakan konsol Amazon SageMaker AI, SageMaker API tingkat rendah), atau Amazon [Python SageMaker ](https://sagemaker.readthedocs.io/en/stable) SDK.
**Topics**
+ [Menggunakan Paket Model untuk Membuat Model (Konsol)](#sagemaker-mkt-model-pkg-model-console)
+ [Menggunakan Model Package untuk Membuat Model (API)](#sagemaker-mkt-model-pkg-model-api)
+ [Menggunakan Paket Model untuk Membuat Model ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)](#sagemaker-mkt-model-pkg-model-sdk)
## Menggunakan Paket Model untuk Membuat Model (Konsol)
**Untuk membuat model deployable dari paket model (konsol)**
1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Pilih **paket Model**.
1. Pilih paket model yang Anda buat dari daftar di tab **Paket model saya** atau pilih paket model yang Anda berlangganan di tab **AWS Marketplace langganan**.
1. Pilih **Buat model**.
1. Untuk **nama Model**, ketikkan nama untuk model.
1. Untuk **peran IAM**, pilih peran IAM yang memiliki izin yang diperlukan untuk memanggil layanan lain atas nama Anda, atau pilih **Buat peran baru untuk memungkinkan SageMaker AI membuat peran** yang memiliki kebijakan `AmazonSageMakerFullAccess` terkelola yang dilampirkan. Untuk informasi, lihat [Cara menggunakan peran eksekusi SageMaker AI](sagemaker-roles.md).
1. Untuk **VPC**, pilih VPC Amazon yang ingin Anda izinkan untuk diakses oleh model. Untuk informasi selengkapnya, lihat [Berikan Akses Titik Akhir yang Dihosting SageMaker AI ke Sumber Daya di VPC Amazon Anda](host-vpc.md).
1. Tinggalkan nilai default untuk **opsi input Container** dan **Pilih paket model**.
1. Untuk variabel lingkungan, berikan nama dan nilai variabel lingkungan yang ingin Anda lewatkan ke wadah model.
1. Untuk **Tag**, tentukan satu atau beberapa tag untuk mengelola model. Setiap tag terdiri dari kunci dan nilai opsional. Kunci tanda harus unik untuk setiap sumber daya.
1. Pilih **Buat model**.
Setelah Anda membuat model deployable, Anda dapat menggunakannya untuk menyiapkan endpoint untuk inferensi real-time atau membuat pekerjaan transformasi batch untuk mendapatkan kesimpulan pada seluruh kumpulan data. Untuk informasi tentang hosting endpoint di SageMaker AI, lihat [Menerapkan Model untuk](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) Inferensi.
## Menggunakan Model Package untuk Membuat Model (API)
Untuk menggunakan paket model untuk membuat model deployable menggunakan SageMaker API, tentukan nama atau Amazon Resource Name (ARN) paket model sebagai `ModelPackageName` bidang [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)objek yang Anda teruskan ke API. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)
Setelah Anda membuat model deployable, Anda dapat menggunakannya untuk menyiapkan endpoint untuk inferensi real-time atau membuat pekerjaan transformasi batch untuk mendapatkan kesimpulan pada seluruh kumpulan data. Untuk informasi tentang titik akhir yang dihosting di SageMaker AI, lihat [Menerapkan Model untuk](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) Inferensi.
## Menggunakan Paket Model untuk Membuat Model ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)
Untuk menggunakan paket model untuk membuat model deployable dengan menggunakan AI SageMaker Python SDK, inisialisasi objek`ModelPackage`, dan teruskan Amazon Resource Name (ARN) dari paket model sebagai argumen. `model_package_arn` Contoh:
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
Setelah Anda membuat model deployable, Anda dapat menggunakannya untuk menyiapkan endpoint untuk inferensi real-time atau membuat pekerjaan transformasi batch untuk mendapatkan kesimpulan pada seluruh kumpulan data. Untuk informasi tentang hosting endpoint di SageMaker AI, lihat [Menerapkan Model untuk](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) Inferensi.