Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Memanggil Titik Akhir Asinkron
<a name="async-inference-invoke-endpoint"></a>

Dapatkan kesimpulan dari model yang dihosting di titik akhir asinkron Anda dengan. `InvokeEndpointAsync` 

**catatan**  
Jika Anda belum melakukannya, unggah data inferensi Anda (misalnya, model pembelajaran mesin, data sampel) ke Amazon S3.

Anda dapat memberikan payload permintaan dengan salah satu dari dua cara. Opsi-opsi ini saling eksklusif; berikan persis salah satunya dalam permintaan:
+ **Payload inline** — Untuk muatan hingga 128.000 byte, teruskan data langsung dalam permintaan dengan parameter. `Body` Ini menghindari mengunggah muatan ke Amazon S3 sebelum setiap pemanggilan.
+ **Lokasi Amazon S3** — Untuk muatan yang lebih besar, unggah data inferensi Anda ke Amazon S3 dan teruskan URI dengan parameter. `InputLocation`

Tentukan bidang berikut dalam permintaan Anda:
+ Untuk`Body`, berikan muatan inferensi inline (hingga 128.000 byte). Gunakan ini *atau*`InputLocation`, tetapi tidak keduanya.
+ Untuk`InputLocation`, tentukan lokasi Amazon S3 dari data inferensi Anda. Gunakan ini *atau*`Body`, tetapi tidak keduanya.
+ Untuk`EndpointName`, tentukan nama titik akhir Anda.
+ (Opsional) Untuk`InvocationTimeoutSeconds`, Anda dapat mengatur batas waktu maksimal untuk permintaan. Anda dapat mengatur nilai ini hingga maksimum 3600 detik (satu jam) berdasarkan per permintaan. Jika Anda tidak menentukan bidang ini dalam permintaan Anda, secara default permintaan akan habis pada 15 menit.

Contoh berikut mengirimkan payload sebaris dengan `Body` parameter, yang tidak memerlukan mengunggah input ke Amazon S3 terlebih dahulu.

```
# Create a low-level client representing Amazon SageMaker Runtime
sagemaker_runtime = boto3.client("sagemaker-runtime", region_name={{<aws_region>}})

# Specify the inference payload inline (up to 128,000 bytes)
payload = {{b'{"inputs": "your inference data here"}'}}

# The name of the endpoint. The name must be unique within an Wilayah AWS in your Akun AWS.
endpoint_name={{'<endpoint-name>'}}

# After you deploy a model into production using SageMaker AI hosting
# services, your client applications use this API to get inferences
# from the model hosted at the specified endpoint.
response = sagemaker_runtime.invoke_endpoint_async(
                            EndpointName=endpoint_name,
                            Body=payload,
                            ContentType={{"application/json"}},
                            InvocationTimeoutSeconds=3600)
```

Atau, Anda dapat menyimpan muatan di Amazon S3 dan meneruskan lokasinya dengan `InputLocation` parameter. Jika Anda belum melakukannya, unggah data inferensi Anda ke Amazon S3 sebelum menjalankan titik akhir.

```
# Create a low-level client representing Amazon SageMaker Runtime
sagemaker_runtime = boto3.client("sagemaker-runtime", region_name={{<aws_region>}})

# Specify the location of the input. Here, a single SVM sample
input_location = {{"s3://bucket-name/test_point_0.libsvm"}}

# The name of the endpoint. The name must be unique within an Wilayah AWS in your Akun AWS. 
endpoint_name={{'<endpoint-name>'}}

# After you deploy a model into production using SageMaker AI hosting 
# services, your client applications use this API to get inferences 
# from the model hosted at the specified endpoint.
response = sagemaker_runtime.invoke_endpoint_async(
                            EndpointName=endpoint_name, 
                            InputLocation=input_location,
                            InvocationTimeoutSeconds=3600)
```

Anda menerima respons sebagai string JSON dengan ID permintaan Anda dan nama bucket Amazon S3 yang akan memiliki respons terhadap panggilan API setelah diproses.