Não estamos mais atualizando o serviço Amazon Machine Learning nem aceitando novos usuários para ele. Essa documentação está disponível para usuários existentes, mas não estamos mais atualizando-a. Para obter mais informações, consulte [O que é o Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html). As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Solicitar previsões em tempo real Uma previsão em tempo real é uma chamada síncrona para o Amazon Machine Learning (Amazon ML). A previsão é feita quando o Amazon ML recebe a solicitação e a resposta é retornada imediatamente. As previsões em tempo real são comumente usadas para habilitar recursos de previsão em aplicativos interativos web, móveis e de desktop. Você pode consultar um modelo de ML criado com o Amazon ML para previsões em tempo real usando a API `Predict` de baixa latência. A operação `Predict` aceita uma única observação de entrada na carga útil da solicitação e retorna a previsão de forma síncrona na resposta. Isso a diferencia da API de previsão em lote, que é chamada com o ID de um objeto de fonte de dados do Amazon ML que indica o local das observações de entrada e, de forma assíncrona, retorna um URI a um arquivo que contém previsões para todas essas observações. O Amazon ML responde a maior parte das solicitações de previsão em tempo real em até 100 milissegundos. Você pode testar as previsões em tempo real sem incorrer em custos no console do Amazon ML. Se você decidir usar as previsões em tempo real, precisará primeiro criar um endpoint para geração de previsões em tempo real. Você pode fazer isso no console do Amazon ML ou usando a API `CreateRealtimeEndpoint`. Depois que você tiver um endpoint, use a API de previsão em tempo real para gerar previsões em tempo real. **nota** Após criar um endpoint em tempo real para seu modelo, você começará a incorrer em encargos de reserva de capacidade, com base no tamanho do modelo. Para obter mais informações, consulte [Preço](https://aws.amazon.com/machine-learning/pricing/). Se você criar o endpoint em tempo real no console, o console exibirá um detalhamento dos encargos estimadas que o endpoint serão acumulará continuamente. Para interromper as cobranças quando você não precisar mais obter previsões em tempo real a partir desse modelo, remova o endpoint em tempo real usando o console ou a operação `DeleteRealtimeEndpoint`. Para obter exemplos de solicitações e respostas de `Predict`, consulte [Predict](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) na *Referência da API do Amazon Machine Learning*. Para ver um exemplo do formato de resposta exato que usa o modelo, consulte [Testar previsões em tempo real](#testing-real-time-predictions). **Topics** + [Testar previsões em tempo real](#testing-real-time-predictions) + [Criar um endpoint em tempo real](#creating-a-real-time-endpoint) + [Localizar o endpoint de previsão em tempo real (console)](#locate-endpoint-by-console) + [Localizar o endpoint de previsão em tempo real (API)](#locating-the-real-time-prediction-endpoint) + [Criar uma solicitação de previsão em tempo real](#real-time-prediction-request-format) + [Excluir um endpoint em tempo real](#delete-endpoint) ## Testar previsões em tempo real Para decidir se você habilitará ou não a previsão em tempo real, o Amazon ML permitirá que você tente gerar previsões em registros de dados sem incorrer em encargos adicionais associados à configuração de um endpoint de previsão em tempo real. Para testar previsões em tempo real, você precisa ter um modelo de ML. Para criar previsões em tempo real em uma escala maior, use a API [Predict](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) no *Referência da API do Amazon Machine Learning*. **Para testar previsões em tempo real** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon Machine Learning em [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/). 1. Na barra de navegação, na lista suspensa **Amazon Machine Learning**, escolha **ML models (Modelos de ML)**. 1. Escolha o modelo que você deseja usar para testar as previsões em tempo real, como o `Subscription propensity model` no tutorial. 1. Na página ML model report (Relatório do modelo de ML), em **Predictions (Previsões)**, escolha **Summary (Resumo)** e, em seguida, escolha **Try real-time predictions (Tentar previsões em tempo real)**. ![\[Tools section with option to try real-time predictions.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/try-real-time.png) O Amazon ML mostra uma lista das variáveis que compõem os registros de dados usados pelo Amazon ML para treinar o modelo. 1. Você pode continuar informando dados em cada um dos campos no formulário ou colando um único registro de dados, no formato CSV, na caixa de texto. Para usar o formulário, em cada campo **Value (Valor)**, insira os dados que você deseja usar para testar as previsões em tempo real. Se o registro de dados que você está informando não contiver valores para um ou mais atributos de dados, deixe os campos de entrada em branco. Para fornecer um registro de dados, escolha **Paste a record (Colar um registro)**. Cole uma única linha de dados em formato CSV no campo de texto e escolha **Enviar**. O Amazon ML preencherá automaticamente os campos **Valor**. **nota** Os dados no registro de dados precisam ter o mesmo número de colunas dos dados de treinamento e ser organizados na mesma ordem. A única diferença é que você deve omitir o valor de destino. Se você incluir um valor de destino, Amazon ML o ignorará. 1. Na parte inferior da página, escolha **Create prediction (Criar previsão)**. O Amazon ML retornará as previsões imediatamente. No painel **Prediction results (Resultados da previsão)**, você verá o objeto de previsão retornado pela chamada à API `Predict`, juntamente com o tipo de modelo de ML, o nome da variável de destino e a classe ou o valor previsto. Para obter informações sobre como interpretar os resultados, consulte [Interpretar o conteúdo de arquivos de previsão em lote para um modelo de ML de classificação binária](reading-the-batchprediction-output-files.md#interpreting-the-contents-of-batch-prediction-files-for-a-binary-classification-ml-model). ![\[Prediction results showing binary ML model type with predicted label 0 and score details.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/real-time-result.png) ## Criar um endpoint em tempo real Para gerar previsões em tempo real, você precisará criar um endpoint em tempo real. Para criar um endpoint em tempo real, você já precisará ter um modelo de ML para o qual deseja gerar previsões em tempo real. Você pode criar um endpoint em tempo real usando o console do Amazon ML ou chamando a API `CreateRealtimeEndpoint`. Para obter mais informações sobre o uso da API `CreateRealtimeEndpoint`, consulte [https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_CreateRealtimeEndpoint.html) na Referência da API do Amazon Machine Learning. **Para criar um endpoint em tempo real** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon Machine Learning em [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/). 1. Na barra de navegação, na lista suspensa **Amazon Machine Learning**, escolha **ML models (Modelos de ML)**. 1. Escolha o modelo para o qual você deseja gerar previsões em tempo real. 1. Na página **ML model summary (Resumo do modelo de ML)**, em **Predictions (Previsões)**, escolha **Create real-time endpoint (Criar endpoint em tempo real)**. Uma caixa de diálogo explicando como as previsões em tempo real são precificadas será exibida. 1. Escolha **Criar**. A solicitação de endpoint em tempo real é enviada ao Amazon ML e inserida em uma fila. O status do endpoint em tempo real é **Updating (Em atualização)**. ![\[Real-time endpoint status shown as "Updating" in a user interface element.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/endpoint-updating.png) 1. Quando o endpoint em tempo real estiver pronto, o status será alterado para **Pronto**, e o Amazon ML exibirá o URL do endpoint. Use o URL do endpoint para criar solicitações de previsão em tempo real com a API `Predict`. Para obter mais informações sobre o uso da API `Predict`, consulte [https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) na Referência da API do Amazon Machine Learning. ![\[Real-time endpoint status showing Ready with an endpoint URL and Peak Requests Per Second value.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/endpoint-ready.png) ## Localizar o endpoint de previsão em tempo real (console) Para usar o console do Amazon ML para localizar o URL do endpoint de um modelo de ML, navegue até a página **Resumo do modelo de ML** do modelo. **Para localizar um URL de endpoint em tempo real** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon Machine Learning em [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/). 1. Na barra de navegação, na lista suspensa **Amazon Machine Learning**, escolha **ML models (Modelos de ML)**. 1. Escolha o modelo para o qual você deseja gerar previsões em tempo real. 1. Na página **ML model summary (Resumo do modelo de ML)**, role a tela para baixo até ver a seção **Predictions (Previsões)**. 1. A URL do endpoint do modelo é listada em **Real-time prediction (Previsão em tempo real)**. Use a URL como a **Endpoint Url (Url do endpoint)** nas chamadas de previsão em tempo real. Para obter informações sobre como usar o endpoint para gerar previsões, consulte [https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_Predict.html) na Referência da API do Amazon Machine Learning. ## Localizar o endpoint de previsão em tempo real (API) Quando você cria um endpoint em tempo real, usando a operação `CreateRealtimeEndpoint`, o URL e o status do endpoint é retornado na resposta. Se você criou o endpoint em tempo real usando o console ou se você deseja recuperar o URL e o status de um endpoint criado anteriormente, chame a operação `GetMLModel` com o ID do modelo em que você deseja consultar previsões em tempo real. As informações de endpoint estão contidas na seção `EndpointInfo` da resposta. Para um modelo que tenha um endpoint em tempo real associado, `EndpointInfo` possivelmente terá a seguinte aparência: ``` "EndpointInfo":{ "CreatedAt": 1427864874.227, "EndpointStatus": "READY", "EndpointUrl": "https://endpointUrl", "PeakRequestsPerSecond": 200 } ``` Um modelo sem endpoint em tempo real retornará o seguinte: ``` EndpointInfo":{ "EndpointStatus": "NONE", "PeakRequestsPerSecond": 0 } ``` ## Criar uma solicitação de previsão em tempo real Uma carga útil de solicitação `Predict` de amostra pode ter a seguinte aparência: ``` { "MLModelId": "model-id", "Record":{ "key1": "value1", "key2": "value2" }, "PredictEndpoint": "https://endpointUrl" } ``` O campo `PredictEndpoint` precisa corresponder ao campo `EndpointUrl` da estrutura `EndpointInfo`. O Amazon ML usa esse campo para rotear a solicitação para os servidores apropriados na frota de previsão em tempo real. A `MLModelId` é o identificador de um modelo treinado anteriormente com um endpoint em tempo real. A `Record` é um mapa de nomes de variáveis para valores de variáveis. Cada par representa uma observação. O mapa `Record` contém as entradas para o modelo do Amazon ML. Ele é semelhante a uma única linha de dados no conjunto de dados de treinamento, sem a variável de destino. Independentemente do tipo de valores nos dados de treinamento, `Record` contém um string-to-string mapeamento. **nota** Você pode omitir variáveis para as quais não tem um valor, embora isso possa reduzir a precisão da previsão. Quanto mais variáveis você puder incluir, mais preciso será o modelo. O formato de resposta retornado pelas solicitações `Predict` depende do tipo de modelo que está sendo consultado em busca de previsões. Em todos os casos, o campo `details` contém informações sobre a solicitação de previsão, particularmente incluindo o campo `PredictiveModelType` com o tipo de modelo. O exemplo a seguir mostra uma resposta para um modelo binário: ``` { "Prediction":{ "details":{ "PredictiveModelType": "BINARY" }, "predictedLabel": "0", "predictedScores":{ "0": 0.47380468249320984 } } } ``` Observe o campo `predictedLabel` que contém o rótulo previsto, neste caso 0. O Amazon ML calcula o rótulo previsto ao comparar a pontuação de previsão com o corte de classificação: + Você pode obter o corte de classificação que está associado no momento a um modelo de ML inspecionando o campo `ScoreThreshold` na resposta da operação `GetMLModel` ou visualizando as informações do modelo no console do Amazon ML. Se você não definir um limite de pontuação, o Amazon ML usará o valor padrão 0,5. + Você pode obter a pontuação de previsão exata de um modelo de classificação binária inspecionando o mapa `predictedScores`. Nesse mapa, o rótulo previsto é combinado com a pontuação de previsão exata. Para obter mais informações sobre as previsões binárias, consulte [Interpretação das previsões](binary-model-insights.md#interpreting-the-predictions). O exemplo a seguir mostra uma resposta para um modelo de regressão. Observe que o valor numérico previsto é encontrado no campo `predictedValue`: ``` { "Prediction":{ "details":{ "PredictiveModelType": "REGRESSION" }, "predictedValue": 15.508452415466309 } } ``` O exemplo a seguir mostra uma resposta para um modelo multiclasse: ``` { "Prediction":{ "details":{ "PredictiveModelType": "MULTICLASS" }, "predictedLabel": "red", "predictedScores":{ "red": 0.12923571467399597, "green": 0.08416014909744263, "orange": 0.22713537514209747, "blue": 0.1438363939523697, "pink": 0.184102863073349, "violet": 0.12816807627677917, "brown": 0.10336143523454666 } } } ``` Semelhante aos modelos de classificação binária, o previsto label/class é encontrado no `predictedLabel` campo. Além disso, é possível entender a estreita relação da previsão com cada classe examinando o mapa `predictedScores`. Quanto maior a pontuação de uma classe nesse mapa, mais forte a relação da previsão com a classe, sendo o valor mais alto selecionado como `predictedLabel`. Para obter mais informações sobre as previsões multiclasse, consulte [Insights do modelo multiclasse](multiclass-model-insights.md). ## Excluir um endpoint em tempo real Quando você concluir as previsões em tempo real, exclua o endpoint em tempo real para evitar encargos adicionais. Os encargos deixam de ser acumulados assim que você exclui o endpoint. **Para excluir um endpoint em tempo real** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon Machine Learning em [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/). 1. Na barra de navegação, na lista suspensa **Amazon Machine Learning**, escolha **ML models (Modelos de ML)**. 1. Escolha o modelo que não exige mais previsões em tempo real. 1. Na página ML model report (Relatório do modelo de ML), em **Predictions (Previsões)**, escolha **Summary (Resumo)**. 1. Escolha **Delete real-time endpoint (Excluir endpoint em tempo real)**. 1. Na caixa de diálogo **Delete real-time endpoint (Excluir endpoint em tempo real)**, escolha **Delete (Excluir)**.