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: ``` curl \ -X POST https://(your Neptune endpoint)/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: ``` curl \ -X POST https://(your Neptune endpoint)/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: ``` curl \ -X POST https://(your Neptune endpoint)/ml/endpoints -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique ID for the new endpoint)", "mlModelTransformJobId": "(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 transformação de modelos tem a seguinte aparência: ``` curl \ -X POST https://(your Neptune endpoint)/ml/endpoints -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique ID for the new endpoint)", "update" : "true", "mlModelTransformJobId": "(the model-training 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: ``` curl -s \ "https://(your Neptune endpoint)/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: ``` curl -s \ -X DELETE "https://(your Neptune endpoint)/ml/endpoints/(the inference endpoint ID)" ``` Ou esta: ``` curl -s \ -X DELETE "https://(your Neptune endpoint)/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: ``` curl -s "https://(your Neptune endpoint)/ml/endpoints" \ | python -m json.tool ``` Ou esta: ``` curl -s "https://(your Neptune endpoint)/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.