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.

Usar a AWS CLI para configurar o Neptune ML em um cluster de banco de dados

Além do modelo de início rápido do AWS CloudFormation e do AWS Management Console, também é possível configurar o Neptune ML usando a AWS CLI.

1. Criar um grupo de parâmetros de cluster de banco de dados para o novo cluster do Neptune ML

Os seguintes comandos AWS CLI criam um grupo de parâmetros do cluster de banco de dados e o configuram para funcionar com o Neptune ML:

Anexar o novo grupo de parâmetros de cluster de banco de dados ao cluster de banco de dados a ser usado com o Neptune ML

Agora é possível anexar o novo grupo de parâmetros do cluster de banco de dados que você acabou de criar a um cluster de banco de dados existente usando o seguinte comando:

aws neptune modify-db-cluster \
  --db-cluster-identifier (the name of your existing DB cluster) \
  --apply-immediately
  --db-cluster-parameter-group-name (name of your new DB cluster parameter group) \
  --region (AWS region, such as us-east-1)

Para tornar todos os parâmetros efetivos, você pode então reinicializar o cluster de banco de dados:

aws neptune reboot-db-instance
  --db-instance-identifier (name of the primary instance of your DB cluster) \
  --profile (name of your AWS profile to use) \
  --region (AWS region, such as us-east-1)

Ou, se estiver criando um cluster de banco de dados para usar com o Neptune ML, você poderá usar o seguinte comando para criar o cluster com o novo grupo de parâmetros anexado e, depois, criar uma instância principal (de gravador):

cluster-name=(the name of the new DB cluster)
aws neptune create-db-cluster
  --db-cluster-identifier ${cluster-name}
  --engine graphdb \
  --engine-version 1.0.4.1 \
  --db-cluster-parameter-group-name (name of your new DB cluster parameter group) \
  --db-subnet-group-name (name of the subnet to use) \
  --region (AWS region, such as us-east-1)

aws neptune create-db-instance
  --db-cluster-identifier ${cluster-name}
  --db-instance-identifier ${cluster-name}-i \
  --db-instance-class (the instance class to use, such as db.r5.xlarge)
  --engine graphdb \
  --region (AWS region, such as us-east-1)

Anexar o NeptuneSageMakerIAMRole ao cluster de banco de dados para que ele possa acessar os recursos do SageMaker e do Amazon S3.

Por fim, siga as instruções em Criar um perfil NeptuneSageMakerIAMRole personalizado para criar um perfil do IAM que permitirá ao cluster de banco de dados se comunicar com o SageMaker e o Amazon S3. Depois, use o seguinte comando para anexar o perfil NeptuneSageMakerIAMRole que você criou ao cluster de banco de dados:

aws neptune add-role-to-db-cluster
  --db-cluster-identifier ${cluster-name}
  --role-arn arn:aws:iam::(the ARN number of the role's ARN):role/NeptuneMLRole \
  --region (AWS region, such as us-east-1)

Criar dois endpoints para o SageMaker na VPC do Neptune

O Neptune ML precisa de dois endpoints do SageMaker na VPC do cluster de banco de dados do Neptune:

Se você não usou o modelo do AWS CloudFormation de início rápido, que os cria automaticamente, poderá usar os seguintes comandos da AWS CLI para criá-los:

Este cria o endpoint sagemaker.runtime:

create-vpc-endpoint
  --vpc-id (the ID of your Neptune DB cluster's VPC)
  --service-name com.amazonaws.(AWS region, like us-east-1).sagemaker.runtime
  --subnet-ids (the subnet ID or IDs that you want to use)
  --security-group-ids (the security group for the endpoint network interface, or omit to use the default)
  --private-dns-enabled

E este cria o endpoint sagemaker.api:

aws create-vpc-endpoint
  --vpc-id (the ID of your Neptune DB cluster's VPC)
  --service-name com.amazonaws.(AWS region, like us-east-1).sagemaker.api
  --subnet-ids (the subnet ID or IDs that you want to use)
  --security-group-ids (the security group for the endpoint network interface, or omit to use the default)
  --private-dns-enabled

Você também pode usar o console da VPC para criar esses endpoints. Consulte Secure prediction calls in Amazon SageMaker with AWS PrivateLink e Securing all Amazon SageMaker API calls with AWS PrivateLink.

Criar um parâmetro de endpoint de inferência do SageMaker no grupo de parâmetros de cluster de banco de dados

Para evitar a necessidade de especificar o endpoint de inferência do SageMaker do modelo que você está usando em cada consulta feita a ele, crie um parâmetro de cluster de banco de dados denominado neptune_ml_endpoint no grupo de parâmetros do cluster de banco de dados para o Neptune ML. Defina o parâmetro como o id do endpoint da instância em questão.

É possível usar o seguinte comando da AWS CLI para fazer isso:

aws neptune modify-db-cluster-parameter-group \
  --db-cluster-parameter-group-name neptune-ml-demo \
  --parameters "ParameterName=neptune_ml_endpoint, \
                ParameterValue=(the name of the SageMaker inference endpoint you want to query), \
                Description=NeptuneMLEndpoint, \
                ApplyMethod=pending-reboot" \
  --region (AWS region, such as us-east-1)