Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Invocazione del tuo endpoint
<a name="canvas-deploy-model-invoke"></a>

**Nota**  
Ti consigliamo di [testare la distribuzione del modello in Amazon SageMaker Canvas](canvas-deploy-model-test.md) prima di richiamare un endpoint SageMaker AI a livello di programmazione.

Puoi utilizzare i modelli Amazon SageMaker Canvas che hai distribuito su un endpoint di SageMaker intelligenza artificiale in produzione con le tue applicazioni. [Invoca l'endpoint a livello di codice nello stesso modo in cui richiami qualsiasi altro endpoint AI in tempo reale. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) L’invocazione di un endpoint in modo programmatico restituisce un oggetto di risposta che contiene gli stessi campi descritti in [Test della distribuzione](canvas-deploy-model-test.md).

Per informazioni più dettagliate su come invocare gli endpoint in modo programmatico, consulta [Invocare modelli per l’inferenza in tempo reale](realtime-endpoints-test-endpoints.md).

I seguenti esempi in Python mostrano come invocare l'endpoint in base al tipo di modello.

## JumpStart modelli di base
<a name="canvas-invoke-js-example"></a>

L'esempio seguente mostra come richiamare un modello di JumpStart base che hai distribuito su un endpoint.

```
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"
)
```

## Modelli di previsione numerici e categoriali
<a name="canvas-invoke-tabular-example"></a>

L'esempio seguente mostra come invocare modelli di previsione numerici o categoriali.

```
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"
)
```

## Modelli di previsione delle serie temporali
<a name="canvas-invoke-forecast-example"></a>

L’esempio seguente mostra come invocare i modelli di previsione delle serie temporali. Per un esempio completo di come testare e richiamare un modello di previsione di serie temporali, consulta [Time-Series Forecasting with Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). 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"
)
```

## Modelli di previsione di immagini
<a name="canvas-invoke-cv-example"></a>

L'esempio seguente mostra come invocare modelli di previsione di immagini.

```
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"
    )
```

## Modelli di previsione di testo
<a name="canvas-invoke-nlp-example"></a>

L'esempio seguente mostra come invocare modelli di previsione di testo.

```
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"
)
```