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. # Gerenciar endpoints de inferência usando o comando `endpoints` Use o comando `endpoints` do Neptune ML para criar um endpoint de inferência, conferir o status, excluí-lo ou listar endpoints de inferência existentes. ## Criar um endpoint de inferência usando o comando `endpoints` do Neptune ML Um comando `endpoints` do Neptune ML para criar um endpoint de inferência a partir de um modelo criado por um trabalho de treinamento tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata create-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique ID for the new endpoint)}}" \ --ml-model-training-job-id "{{(the model-training job-id of a completed job)}}" ``` Para obter mais informações, consulte [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.create_ml_endpoint( id='{{(a unique ID for the new endpoint)}}', mlModelTrainingJobId='{{(the model-training job-id of a completed job)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "mlModelTrainingJobId": "{{(the model-training job-id of a completed job)}}" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "mlModelTrainingJobId": "{{(the model-training job-id of a completed job)}}" }' ``` ------ Um comando `endpoints` do Neptune ML para atualizar um endpoint de inferência existente a partir de um modelo criado por um trabalho de treinamento tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata create-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique ID for the new endpoint)}}" \ --update \ --ml-model-training-job-id "{{(the model-training job-id of a completed job)}}" ``` Para obter mais informações, consulte [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.create_ml_endpoint( id='{{(a unique ID for the new endpoint)}}', update=True, mlModelTrainingJobId='{{(the model-training job-id of a completed job)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "update" : "true", "mlModelTrainingJobId": "{{(the model-training job-id of a completed job)}}" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "update" : "true", "mlModelTrainingJobId": "{{(the model-training job-id of a completed job)}}" }' ``` ------ Um comando `endpoints` do Neptune ML para criar um endpoint de inferência a partir de um modelo criado por um trabalho de transformação de modelos tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata create-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique ID for the new endpoint)}}" \ --ml-model-transform-job-id "{{(the model-transform job-id of a completed job)}}" ``` Para obter mais informações, consulte [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.create_ml_endpoint( id='{{(a unique ID for the new endpoint)}}', mlModelTransformJobId='{{(the model-transform job-id of a completed job)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "mlModelTransformJobId": "{{(the model-transform job-id of a completed job)}}" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "mlModelTransformJobId": "{{(the model-transform job-id of a completed job)}}" }' ``` ------ Um comando `endpoints` do Neptune ML para atualizar um endpoint de inferência existente a partir de um modelo criado por um trabalho de transformação de modelos tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata create-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(a unique ID for the new endpoint)}}" \ --update \ --ml-model-transform-job-id "{{(the model-transform job-id of a completed job)}}" ``` Para obter mais informações, consulte [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.create_ml_endpoint( id='{{(a unique ID for the new endpoint)}}', update=True, mlModelTransformJobId='{{(the model-transform job-id of a completed job)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ --region {{us-east-1}} \ --service neptune-db \ -X POST \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "update" : "true", "mlModelTransformJobId": "{{(the model-transform job-id of a completed job)}}" }' ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl \ -X POST https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ -H 'Content-Type: application/json' \ -d '{ "id" : "{{(a unique ID for the new endpoint)}}", "update" : "true", "mlModelTransformJobId": "{{(the model-transform job-id of a completed job)}}" }' ``` ------ **Parâmetros para criação de endpoints de inferência `endpoints`** + **`id`**: (*opcional*) um identificador exclusivo para o novo endpoint de inferência. *Tipo*: string. *Padrão*: um nome com carimbo de data e hora gerado automaticamente. + **`mlModelTrainingJobId`**: o ID do trabalho de treinamento de modelos concluído que criou o modelo para o qual o endpoint de inferência apontará. *Tipo*: string. *Observação*: é necessário fornecer o `mlModelTrainingJobId` ou o `mlModelTransformJobId`. + **`mlModelTransformJobId`**: o ID do trabalho de transformação de modelos concluído. *Tipo*: string. *Observação*: é necessário fornecer o `mlModelTrainingJobId` ou o `mlModelTransformJobId`. + **`update`**: (*opcional*) se presente, esse parâmetro indica que se trata de uma solicitação de atualização. *Tipo*: booliano. *Padrão*: `false` *Observação*: é necessário fornecer o `mlModelTrainingJobId` ou o `mlModelTransformJobId`. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou será lançado um erro. + **`modelName`**: (*opcional*) o tipo de modelo para treinamento. Por padrão, o modelo de ML é automaticamente baseado no `modelType` usado no processamento de dados, mas você pode especificar um tipo de modelo diferente aqui. *Tipo*: string. *Padrão*: `rgcn` para grafos heterogêneos e `kge` para grafos de conhecimento. *Valores válidos*: para grafos heterogêneos: `rgcn`. Para grafos de conhecimento:`kge`, `transe`, `distmult` ou `rotate`. + **`instanceType`**: (*opcional*) o tipo de instância de ML usada para serviços on-line. *Tipo*: string. *Padrão*: `ml.m5.xlarge`. *Observação*: selecionar a instância de ML para um endpoint de inferência depende do tipo de tarefa, do tamanho do grafo e do orçamento. Consulte [Selecionar uma instância para um endpoint de inferência](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-inference-endpoint-instance-size). + **`instanceCount`**: (*opcional*) o número mínimo de instâncias do Amazon EC2 a serem implantadas em um endpoint para previsão. *Tipo*: número inteiro. *Padrão*: `1`. + **`volumeEncryptionKMSKey`**— (*Opcional*) A chave AWS Key Management Service (AWS KMS) que a SageMaker IA usa para criptografar dados no volume de armazenamento anexado às instâncias de computação de ML que executam os endpoints. *Tipo*: string *Padrão*: *nenhum*. ## Obter o status de um endpoint de inferência usando o comando `endpoints` do Neptune ML Um exemplo de comando `endpoints` do Neptune ML para o status de um endpoint de instância tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the inference endpoint ID)}}" ``` Para obter mais informações, consulte [get-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-endpoint.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.get_ml_endpoint( id='{{(the inference endpoint ID)}}' ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints/{{(the inference endpoint ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl -s \ "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints/{{(the inference endpoint ID)}}" \ | python -m json.tool ``` ------ **Parâmetros para o status do endpoint da instância `endpoints`** + **`id`**: (*obrigatório*) o identificador exclusivo do endpoint de inferência. *Tipo*: string. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou será lançado um erro. ## Excluir um endpoint de instância usando o comando `endpoints` do Neptune ML Um exemplo de comando `endpoints` do Neptune ML para exclusão de um endpoint de instância tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata delete-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the inference endpoint ID)}}" ``` Para também limpar artefatos relacionados: ``` aws neptunedata delete-ml-endpoint \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --id "{{(the inference endpoint ID)}}" \ --clean ``` Para obter mais informações, consulte [delete-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/delete-ml-endpoint.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.delete_ml_endpoint( id='{{(the inference endpoint ID)}}', clean=True ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints/{{(the inference endpoint ID)}} \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` Para também limpar artefatos relacionados: ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints/{{(the inference endpoint ID)}}?clean=true" \ --region {{us-east-1}} \ --service neptune-db \ -X DELETE ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints/{{(the inference endpoint ID)}}" ``` Ou esta: ``` curl -s \ -X DELETE "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints/{{(the inference endpoint ID)}}?clean=true" ``` ------ **Parâmetros para exclusão `endpoints` de um endpoint de inferência** + **`id`**: (*obrigatório*) o identificador exclusivo do endpoint de inferência. *Tipo*: string. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou será lançado um erro. + **`clean`**: (*opcional*) indica que todos os artefatos relacionados a esse endpoint também devem ser excluídos. *Tipo*: booliano. *Padrão*: `FALSE`. ## Listar endpoints de inferência usando o comando `endpoints` do Neptune ML Um comando `endpoints` do Neptune ML para listar endpoints de inferência tem a seguinte aparência: ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-endpoints \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} ``` Para limitar o número de resultados: ``` aws neptunedata list-ml-endpoints \ --endpoint-url https://{{your-neptune-endpoint}}:{{port}} \ --max-items 3 ``` Para obter mais informações, consulte [list-ml-endpoints](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-endpoints.html)na Referência de AWS CLI Comandos. ------ #### [ SDK ] ``` import boto3 from botocore.config import Config client = boto3.client( 'neptunedata', endpoint_url='https://{{your-neptune-endpoint}}:{{port}}', config=Config(read_timeout=None, retries={'total_max_attempts': 1}) ) response = client.list_ml_endpoints( maxItems=3 ) print(response) ``` ------ #### [ awscurl ] ``` awscurl https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` Para limitar o número de resultados: ``` awscurl "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints?maxItems=3" \ --region {{us-east-1}} \ --service neptune-db \ -X GET ``` **nota** Este exemplo pressupõe que suas AWS credenciais estejam configuradas em seu ambiente. {{us-east-1}}Substitua pela região do seu cluster Neptune. ------ #### [ curl ] ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints" \ | python -m json.tool ``` Ou esta: ``` curl -s "https://{{your-neptune-endpoint}}:{{port}}/ml/endpoints?maxItems=3" \ | python -m json.tool ``` ------ **Parâmetros para listar endpoints de inferência `dataprocessing`** + **`maxItems`**: (*opcional*) o número máximo de itens a serem gerados. *Tipo*: número inteiro. *Padrão*: `10`. *Valor máximo permitido*: `1024`. + **`neptuneIamRoleArn`**— (*Opcional*) O ARN de uma função do IAM que fornece ao Neptune acesso aos recursos de IA e SageMaker Amazon S3. *Tipo*: string. *Observação*: deve estar listado no grupo de parâmetros do cluster de banco de dados ou será lançado um erro.