기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # `endpoints` 명령을 사용하여 추론 엔드포인트 관리 Neptune ML `endpoints` 명령을 사용하여 추론 엔드포인트를 생성하거나, 상태를 확인하거나, 삭제하거나, 기존 추론 엔드포인트를 나열할 수 있습니다. ## Neptune ML `endpoints` 명령을 사용하여 추론 엔드포인트 생성 훈련 작업으로 만든 모델에서 추론 엔드포인트를 생성하는 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ 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)" ``` 자세한 내용은 AWS CLI 명령 참조의 [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)를 참조하세요. ------ #### [ 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)" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ 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)" }' ``` ------ 훈련 작업으로 만든 모델에서 기존 추론 엔드포인트를 업데이트하는 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ 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)" ``` 자세한 내용은 AWS CLI 명령 참조의 [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)를 참조하세요. ------ #### [ 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)" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ 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)" }' ``` ------ 모델 변환 작업으로 만든 모델에서 추론 엔드포인트를 생성하는 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ 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)" ``` 자세한 내용은 AWS CLI 명령 참조의 [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)를 참조하세요. ------ #### [ 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)" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ 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)" }' ``` ------ 모델 변환 작업으로 만든 모델에서 기존 추론 엔드포인트를 업데이트하는 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ 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)" ``` 자세한 내용은 AWS CLI 명령 참조의 [create-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/create-ml-endpoint.html)를 참조하세요. ------ #### [ 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)" }' ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ 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)" }' ``` ------ **추론 엔드포인트를 생성하는 `endpoints` 파라미터** + **`id`**   –   (*선택 사항*) 새 추론 엔드포인트의 고유 식별자입니다. *유형*: 문자열. *기본값*: 자동 생성된 타임스탬프 이름. + **`mlModelTrainingJobId`**   –   추론 엔드포인트가 가리키는 모델을 생성하여 완료된 모델 훈련 작업의 작업 ID입니다. *유형*: 문자열. *참고*: `mlModelTrainingJobId` 또는 `mlModelTransformJobId`를 제공해야 합니다. + **`mlModelTransformJobId`**   –   완료된 모델 변환 작업의 작업 ID입니다. *유형*: 문자열. *참고*: `mlModelTrainingJobId` 또는 `mlModelTransformJobId`를 제공해야 합니다. + **`update`**   –   (*선택 사항*) 이 파라미터가 있는 경우 이 파라미터는 업데이트 요청임을 나타냅니다. *유형*: 부울. *기본값*: `false` *참고*: `mlModelTrainingJobId` 또는 `mlModelTransformJobId`를 제공해야 합니다. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`modelName`**   –   (*선택 사항*) 훈련을 위한 모델 유형입니다. 기본적으로 ML 모델은 자동으로 데이터 처리에 사용되는 `modelType`을 기반으로 하지만, 여기에서 다른 모델 유형을 지정할 수도 있습니다. *유형*: 문자열. *기본값*: 이기종 그래프용 `rgcn` 및 지식 그래프용 `kge`. *유효 값*: 이기종 그래프의 경우 `rgcn`, 지식 그래프의 경우 `kge`, `transe`, `distmult` 또는 `rotate`. + **`instanceType`**   –   (*선택 사항*) 온라인 서비스에 사용되는 ML 인스턴스 유형입니다. *유형*: 문자열. *기본값*: `ml.m5.xlarge`. *참고*: 추론 엔드포인트의 ML 인스턴스를 선택하는 것은 작업 유형, 그래프 크기, 예산에 따라 달라집니다. [추론 엔드포인트용 인스턴스 선택](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-inference-endpoint-instance-size)을(를) 참조하세요. + **`instanceCount`**   –   (*선택 사항*) 예측을 위해 엔드포인트에 배포할 최소 Amazon EC2 인스턴스 수입니다. *유형*: 정수. *기본값*: `1`. + **`volumeEncryptionKMSKey`**   –   (*선택 사항*) SageMaker AI가 엔드포인트를 실행하는 ML 컴퓨팅 인스턴스 AWS Key Management Service (들AWS KMS)에 연결된 스토리지 볼륨의 데이터를 암호화하는 데 사용하는 () 키입니다. *유형*: 문자열. *기본값*: *없음*. ## Neptune ML `endpoints` 명령을 사용하여 추론 엔드포인트의 상태 가져오기 인스턴스 엔드포인트 상태를 나타내는 샘플 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata get-ml-endpoint \ --endpoint-url https://your-neptune-endpoint:port \ --id "(the inference endpoint ID)" ``` 자세한 내용은 AWS CLI 명령 참조의 [get-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/get-ml-endpoint.html)를 참조하세요. ------ #### [ 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 ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s \ "https://your-neptune-endpoint:port/ml/endpoints/(the inference endpoint ID)" \ | python -m json.tool ``` ------ **인스턴스 엔드포인트 상태를 나타내는 `endpoints` 파라미터** + **`id`**   –   (*필수*) 추론 엔드포인트의 고유 식별자입니다. *유형*: 문자열. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. ## Neptune ML `endpoints` 명령을 사용하여 인스턴스 엔드포인트 삭제 인스턴스 엔드포인트를 삭제하는 샘플 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata delete-ml-endpoint \ --endpoint-url https://your-neptune-endpoint:port \ --id "(the inference endpoint ID)" ``` 관련 아티팩트를 정리하려면: ``` aws neptunedata delete-ml-endpoint \ --endpoint-url https://your-neptune-endpoint:port \ --id "(the inference endpoint ID)" \ --clean ``` 자세한 내용은 AWS CLI 명령 참조의 [delete-ml-endpoint](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/delete-ml-endpoint.html)를 참조하세요. ------ #### [ 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 ``` 관련 아티팩트를 정리하려면: ``` awscurl "https://your-neptune-endpoint:port/ml/endpoints/(the inference endpoint ID)?clean=true" \ --region us-east-1 \ --service neptune-db \ -X DELETE ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s \ -X DELETE "https://your-neptune-endpoint:port/ml/endpoints/(the inference endpoint ID)" ``` 아니면 다음을 사용해도 됩니다. ``` curl -s \ -X DELETE "https://your-neptune-endpoint:port/ml/endpoints/(the inference endpoint ID)?clean=true" ``` ------ **추론 엔드포인트를 삭제하는 `endpoints` 파라미터** + **`id`**   –   (*필수*) 추론 엔드포인트의 고유 식별자입니다. *유형*: 문자열. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다. + **`clean`**   –   (*선택 사항*) 이 엔드포인트와 관련된 모든 아티팩트도 삭제해야 함을 나타냅니다. *유형*: 부울. *기본값*: `FALSE`. ## Neptune ML `endpoints` 명령을 사용하여 추론 엔드포인트 나열 추론 엔드포인트를 나열하는 Neptune ML `endpoints` 명령은 다음과 같습니다. ------ #### [ AWS CLI ] ``` aws neptunedata list-ml-endpoints \ --endpoint-url https://your-neptune-endpoint:port ``` 결과 수를 제한하려면: ``` aws neptunedata list-ml-endpoints \ --endpoint-url https://your-neptune-endpoint:port \ --max-items 3 ``` 자세한 내용은 AWS CLI 명령 참조의 [list-ml-endpoints](https://docs.aws.amazon.com/cli/latest/reference/neptunedata/list-ml-endpoints.html)를 참조하세요. ------ #### [ 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 ``` 결과 수를 제한하려면: ``` awscurl "https://your-neptune-endpoint:port/ml/endpoints?maxItems=3" \ --region us-east-1 \ --service neptune-db \ -X GET ``` **참고** 이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. *us-east-1*을 Neptune 클러스터의 리전으로 바꿉니다. ------ #### [ curl ] ``` curl -s "https://your-neptune-endpoint:port/ml/endpoints" \ | python -m json.tool ``` 아니면 다음을 사용해도 됩니다. ``` curl -s "https://your-neptune-endpoint:port/ml/endpoints?maxItems=3" \ | python -m json.tool ``` ------ **추론 엔드포인트를 나열하는 `dataprocessing` 파라미터** + **`maxItems`**   –   (*선택 사항*) 반환할 최대 항목 수입니다. *유형*: 정수. *기본값*: `10`. *최대 허용 값*: `1024`. + **`neptuneIamRoleArn`** – (*선택 사항*) SageMaker AI와 Amazon S3 리소스에 대한 Neptune의 액세스 권한을 제공하는 IAM 역할의 ARN입니다. *유형*: 문자열. *참고*: 이는 DB 클러스터 파라미터 그룹에 나열되어 있어야 합니다. 그렇지 않으면 오류가 발생합니다.