Appelez votre point de terminaison - Amazon SageMaker AI

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Appelez votre point de terminaison

Note

Nous vous recommandons de tester le déploiement de votre modèle dans Amazon SageMaker Canvas avant d'appeler un point de terminaison d' SageMaker IA par programmation.

Vous pouvez utiliser les modèles Amazon SageMaker Canvas que vous avez déployés sur un point de terminaison d' SageMaker IA en production avec vos applications. Appelez le point de terminaison par programmation de la même manière que vous appelez n'importe quel autre point de terminaison en temps réel basé sur SageMaker l'IA. L'appel d'un point de terminaison par programmation renvoie un objet de réponse contenant les mêmes champs que ceux décrits dans. Test de votre déploiement

Pour des informations plus détaillées sur la façon d'invoquer des points de terminaison par programmation, consultez. Invoquez des modèles pour une inférence en temps réel

Les exemples Python suivants vous montrent comment invoquer votre point de terminaison en fonction du type de modèle.

L'exemple suivant vous montre comment invoquer un modèle de JumpStart base que vous avez déployé sur un point de terminaison.

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"
)

L'exemple suivant montre comment invoquer des modèles de prédiction numériques ou catégoriques.

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"
)

L'exemple suivant montre comment invoquer des modèles de prévision de séries chronologiques. Pour un exemple complet de la manière de tester et d'invoquer un modèle de prévision de séries chronologiques, consultez la section Prévision de séries chronologiques avec Amazon SageMaker Autopilot.

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"
)

L'exemple suivant montre comment invoquer des modèles de prédiction d'image.

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"
    )

L'exemple suivant montre comment invoquer des modèles de prédiction de texte.

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"
)