Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Implementazione di modelli per l’inferenza in tempo reale
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente il tagging, possono verificarsi errori durante il tentativo di creare risorse. AccessDenied Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon AI SageMaker](security-iam-awsmanpol.md)che forniscono le autorizzazioni per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Esistono diverse opzioni per implementare un modello utilizzando i servizi di hosting SageMaker AI. Puoi distribuire un modello in modo interattivo con Studio. SageMaker Oppure, puoi distribuire un modello a livello di codice utilizzando un AWS SDK, come Python SDK o SDK for SageMaker Python (Boto3). È inoltre possibile eseguire la distribuzione utilizzando. AWS CLI
## Prima di iniziare
Prima di implementare un modello di SageMaker intelligenza artificiale, individua e prendi nota di quanto segue:
+ La Regione AWS posizione in cui si trova il bucket Amazon S3
+ Il percorso URI Amazon S3 in cui sono archiviati gli artefatti del modello
+ Il ruolo IAM per l'IA SageMaker
+ Il percorso del registro URI Docker Amazon ECR per l'immagine personalizzata che contiene il codice di inferenza o il framework e la versione di un'immagine Docker integrata supportata e da AWS
Per un elenco dei dati Servizi AWS disponibili in ciascuna di esse Regione AWS, consulta [ Region Maps and Edge Networks. ](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/) Per ulteriori informazioni sulla creazione di un ruolo IAM, consultare [Creazione di ruoli IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create.html).
**Importante**
Il bucket Amazon S3 in cui sono archiviati gli artefatti del modello devono trovarsi nella stessa Regione AWS del modello che si sta creando.
## Utilizzo condiviso delle risorse con più modelli
Puoi distribuire uno o più modelli su un endpoint con Amazon SageMaker AI. Quando più modelli condividono un endpoint, utilizzano congiuntamente le risorse ospitate al suo interno, come le istanze di calcolo ML, le CPU e gli acceleratori. Il modo più flessibile per implementare più modelli su un endpoint consiste nel definire ogni modello come *componente di inferenza*.
### Componenti di inferenza
Un componente di inferenza è un oggetto di hosting SageMaker AI che puoi utilizzare per distribuire un modello su un endpoint. Nelle impostazioni del componente di inferenza vengono specificati il modello, l’endpoint e il modo in cui il modello utilizza le risorse ospitate dall’endpoint. Per specificare il modello, puoi specificare un oggetto del modello SageMaker AI oppure puoi specificare direttamente gli artefatti e l'immagine del modello.
Nelle impostazioni è possibile ottimizzare l’utilizzo delle risorse personalizzando il modo in cui i core della CPU, gli acceleratori e la memoria richiesti vengono allocati al modello. È possibile implementare più componenti di inferenza in un endpoint, in cui ogni componente di inferenza contiene un modello e le relative esigenze di utilizzo delle risorse.
Dopo aver distribuito un componente di inferenza, puoi richiamare direttamente il modello associato quando usi l'azione nell' InvokeEndpoint API. SageMaker
I componenti di inferenza offrono i seguenti vantaggi:
**Flessibilità**
Il componente di inferenza disaccoppia i dettagli dell’hosting del modello dall’endpoint stesso. Ciò offre livelli superiori di flessibilità e controllo sul modo in cui i modelli vengono ospitati e serviti con un endpoint. È possibile ospitare più modelli sulla stessa infrastruttura e aggiungere o rimuovere modelli da un endpoint in base alle esigenze. È possibile aggiornare ogni modello in modo indipendente.
**Scalabilità**
È possibile specificare il numero di copie di ciascun modello da ospitare e impostare un numero minimo di copie per garantire che il modello venga caricato nella quantità necessaria per soddisfare le richieste. È possibile scalare qualsiasi copia di un componente di inferenza fino a zero, lasciando spazio a un’altra copia da aumentare verticalmente.
SageMaker L'intelligenza artificiale impacchetta i tuoi modelli come componenti di inferenza quando li distribuisci utilizzando:
+ SageMaker Studio Classic.
+ L'SDK SageMaker Python per distribuire un oggetto Model (su cui si imposta il tipo di endpoint). `EndpointType.INFERENCE_COMPONENT_BASED`
+ Il AWS SDK per Python (Boto3) per definire `InferenceComponent` gli oggetti da distribuire su un endpoint.
## Distribuisci modelli con Studio SageMaker
Completa i passaggi seguenti per creare e distribuire il tuo modello in modo interattivo tramite Studio. SageMaker Per ulteriori informazioni, consulta la documentazione di [Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html). Per ulteriori informazioni dettagliate sui vari scenari di distribuzione, consulta il blog [ Package and deployment di modelli ML e LLM classici in modo semplice con Amazon AI — Part 2. SageMaker ](https://aws.amazon.com/blogs/machine-learning/package-and-deploy-classical-ml-and-llms-easily-with-amazon-sagemaker-part-2-interactive-user-experiences-in-sagemaker-studio/)
### Preparare gli artefatti e le autorizzazioni
Completa questa sezione prima di creare un modello in Studio. SageMaker
Hai due opzioni per utilizzare artefatti personalizzati e creare un modello in Studio:
1. Puoi utilizzare un archivio `tar.gz` personale preconfezionato, che deve includere gli artefatti del modello, eventuale codice di inferenza personalizzato e tutte le dipendenze elencate in un file `requirements.txt`.
1. SageMaker L'intelligenza artificiale può impacchettare i tuoi artefatti per te. Devi solo inserire gli artefatti del modello grezzo e le eventuali dipendenze in un `requirements.txt` file e l' SageMaker intelligenza artificiale può fornirti il codice di inferenza predefinito (oppure puoi sovrascrivere il codice predefinito con il tuo codice di inferenza personalizzato). SageMaker AI supporta questa opzione per i seguenti framework:, XGBoost. PyTorch
Oltre a fornire il tuo modello, il tuo ruolo AWS Identity and Access Management (IAM) e un contenitore Docker (o il framework e la versione desiderati per i quali SageMaker AI ha un contenitore predefinito), devi anche concedere le autorizzazioni per creare e distribuire modelli tramite AI Studio. SageMaker
Dovresti avere la [ AmazonSageMakerFullAccess ](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) policy allegata al tuo ruolo IAM in modo da poter accedere all' SageMaker IA e ad altri servizi pertinenti. Per visualizzare i prezzi dei tipi di istanze in Studio, devi anche allegare la [AWS PriceListServiceFullAccess ](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AWSPriceListServiceFullAccess.html) policy (o, se non vuoi allegare l'intera policy, più specificamente, l'`pricing:GetProducts`azione).
Per caricare gli artefatti del modello durante la creazione di un modello (o caricare un file di payload di esempio per i consigli di inferenza), è necessario creare un bucket Amazon S3. Il nome del bucket deve essere preceduto dalla parola `SageMaker AI`. Sono accettabili anche le maiuscole alternative dell' SageMaker IA: `Sagemaker` o. `sagemaker`
È consigliabile utilizzare la convenzione di denominazione dei bucket `sagemaker-{{{Region}}}-{{{accountID}}}`. Questo bucket viene utilizzato per archiviare gli artefatti caricati.
Dopo aver creato il bucket, collega la seguente policy CORS (Cross-Origin Resource Sharing) al bucket:
```
[
{
"AllowedHeaders": ["*"],
"ExposeHeaders": ["Etag"],
"AllowedMethods": ["PUT", "POST"],
"AllowedOrigins": ['https://*.sagemaker.aws'],
}
]
```
Puoi collegare una policy CORS a un bucket Amazon S3 utilizzando uno dei seguenti metodi:
+ tramite la pagina [Modifica la condivisione delle risorse multiorigine (CORS)](https://s3.console.aws.amazon.com/s3/bucket/bucket-name/property/cors/edit) nella console di Amazon S3;
+ Utilizzo dell'API Amazon S3 [ PutBucketCors ](https://docs.aws.amazon.com/AmazonS3/latest/API/API_PutBucketCors.html)
+ Utilizzando il comando AWS CLI put-bucket-cors:
```
aws s3api put-bucket-cors --bucket="..." --cors-configuration="..."
```
### Creare un modello implementabile
In questo passaggio, crei una versione implementabile del tuo modello in SageMaker AI fornendo gli artefatti insieme a specifiche aggiuntive, come il contenitore e il framework desiderati, qualsiasi codice di inferenza personalizzato e le impostazioni di rete.
Crea un modello distribuibile in SageMaker Studio procedendo come segue:
1. Aprire l'applicazione SageMaker Studio.
1. Nel riquadro di navigazione a sinistra scegliere **Models (Modelli)**.
1. Scegli la scheda **Modelli implementabili**.
1. Nella pagina **Modelli implementabili**, scegli **Crea**.
1. Nella pagina **Crea modello implementabile**, nel campo **Nome modello**, inserisci un nome per il modello.
Sono presenti altre sezioni da compilare nella pagina **Crea modello implementabile**.
La sezione **Definizione di container** ha l’aspetto del seguente screenshot:
**Per il **Definizione del contenitore** sezione, fai quanto segue:**
1. Per il tipo di ** ** Pre-built contenitore**, seleziona il contenitore ** se desideri utilizzare un contenitore gestito dall' SageMaker IA o seleziona ** Porta il tuo contenitore ** se hai il tuo contenitore.
1. Se hai selezionato ** Pre-built un contenitore**, seleziona il framework del ** contenitore ****, la versione del ** framework e il tipo di ** hardware ** che desideri utilizzare.
1. Se hai selezionato **Porta il tuo container**, inserisci un percorso Amazon ECR per **Percorso ECR a immagine container**.
Quindi, compila la sezione **Artefatti**, simile al seguente screenshot:
**Per il **Artifacts** sezione, procedi come segue:**
1. Se stai usando uno dei framework supportati dall' SageMaker IA per impacchettare gli artefatti del modello (PyTorch o XGBoost), allora per ** Artifacts, puoi scegliere l'opzione Carica artefatti**. ** ** Con questa opzione, puoi semplicemente specificare gli artefatti del modello grezzo, qualsiasi codice di inferenza personalizzato in tuo possesso e il tuo file requirements.txt, e AI si occuperà di impacchettare l'archivio per te. SageMaker Esegui questa operazione:
1. Per **Artefatti**, seleziona **Carica artefatti** per continuare a fornire i file. Altrimenti, se disponi già di un archivio `tar.gz` che contiene i file del modello, il codice di inferenza e il file `requirements.txt`, seleziona **Inserisci URI S3 per pacchetti di artefatti**.
1. Se hai scelto di caricare i tuoi artefatti, per il bucket S3**, inserisci il percorso Amazon ** S3 di un bucket in cui desideri che l' SageMaker IA conservi i tuoi artefatti dopo averli impacchettati per te. Quindi, completa questa procedura.
1. Per **Carica artefatti modello**, carica i file del modello.
1. Per il codice di ** inferenza**, seleziona ** Usa codice di inferenza predefinito ** se desideri utilizzare il codice predefinito fornito dall'IA per fornire l'inferenza. SageMaker Altrimenti, seleziona **Carica codice di inferenza personalizzato** per utilizzare un codice di inferenza personalizzato.
1. Per **Carica requirements.txt**, carica un file di testo che elenchi tutte le dipendenze da installare in fase di esecuzione.
1. Se non utilizzi un framework supportato dall' SageMaker intelligenza artificiale per la creazione di artefatti del modello, Studio ti mostra l'**opzione artefatti e devi fornire tutti gli ** Pre-packaged artefatti già impacchettati come archivio. `tar.gz` Esegui questa operazione:
1. Per gli ** Pre-packaged artefatti**, seleziona ** Input S3 URI per gli artefatti del modello preconfezionato se l'archivio è già stato caricato su Amazon S3. ** `tar.gz` Seleziona ** Carica artefatti del modello preconfezionato se ** desideri caricare direttamente il tuo archivio su AI. SageMaker
1. Se hai selezionato **Inserisci URI S3 per pacchetti di artefatti del modello**, inserisci il percorso Amazon S3 dell’archivio per l’**URI S3**. Altrimenti, seleziona e carica l’archivio dal tuo computer locale.
La sezione successiva è **Sicurezza**, simile allo screenshot seguente:
**Per il **Sicurezza** sezione, procedi come segue:**
1. Per **Ruolo IAM**, inserisci l’ARN per un ruolo IAM.
1. (Facoltativo) Per **Cloud privato virtuale (VPC)**, puoi selezionare un Amazon VPC per archiviare la configurazione e gli artefatti del modello.
1. (Facoltativo) Attiva l’interruttore **Isolamento di rete** per limitare l’accesso a Internet del container.
Infine, è possibile facoltativamente compilare la sezione **Opzioni avanzate**, simile al seguente screenshot:
**(Facoltativo) Per **Opzioni avanzate** sezione, effettua le seguenti operazioni:**
1. Attiva l'**opzione Consigli ** personalizzati sulle istanze se desideri eseguire un job Amazon SageMaker Inference Recommender sul tuo modello dopo la sua creazione. Inference Recommender è una funzionalità che fornisce tipi di istanze consigliati per ottimizzare le prestazioni e i costi dell’inferenza. È possibile visualizzare questi consigli sulle istanze durante la preparazione all’implementazione del modello.
1. Per **Aggiungi variabili di ambiente**, inserisci una variabile di ambiente per il container come coppie chiave-valore.
1. Per **Tag**, inserisci i tag come coppie chiave-valore.
1. Dopo aver completato la configurazione del modello e del container, scegli **Crea modello implementabile**.
Ora dovresti avere un modello in SageMaker Studio pronto per la distribuzione.
### Distribuzione del modello
Infine, è possibile implementare il modello configurato nella fase precedente in un endpoint HTTPS. È possibile implementare un singolo modello o più modelli sull’endpoint.
**Compatibilità tra modelli ed endpoint**
Prima di poter implementare un modello in un endpoint, è necessario che il modello e l’endpoint siano compatibili e abbiano gli stessi valori per le seguenti impostazioni:
Ruolo IAM
Amazon VPC, comprese le sottoreti e i gruppi di sicurezza
Isolamento di rete (abilitato o disabilitato)
Studio impedisce di implementare modelli in endpoint incompatibili nei seguenti modi:
Se tenti di distribuire un modello su un nuovo endpoint, SageMaker AI configura l'endpoint con impostazioni iniziali compatibili. Se interrompi la compatibilità modificando queste impostazioni, Studio mostra un avviso e impedisce l’implementazione.
Se tenti di eseguire l’implementazione in un endpoint esistente e tale endpoint è incompatibile, Studio mostra un avviso e impedisce l’implementazione.
Se si tenta di aggiungere più modelli a un’implementazione, Studio impedisce di implementare i modelli incompatibili tra loro.
Quando Studio mostra l’avviso sull’incompatibilità tra modello ed endpoint, è possibile scegliere **Visualizza dettagli** nell’avviso per vedere quali impostazioni sono incompatibili.
Un modo per implementare un modello consiste nel seguire questa procedura in Studio:
1. Apri l'applicazione Studio. SageMaker
1. Nel riquadro di navigazione a sinistra scegliere **Models (Modelli)**.
1. Nella ** pagina ** Modelli, seleziona uno o più modelli dall'elenco dei modelli SageMaker AI.
1. Seleziona **Implementa**.
1. Per **Nome endpoint**, apri il menu a discesa. È possibile selezionare un endpoint esistente oppure creare un nuovo endpoint in cui implementare il modello.
1. Per **Tipo di istanza**, seleziona il tipo di istanza da utilizzare per l’endpoint. Se in precedenza hai eseguito un processo Inference Recommender per il modello, i tipi di istanza consigliati vengono visualizzati nell’elenco sotto il titolo **Consigliato**. Altrimenti, vedrai alcune **istanze potenziali** che potrebbero essere adatte al tuo modello.
**Compatibilità del tipo di istanza per JumpStart**
Se stai distribuendo un JumpStart modello, Studio mostra solo i tipi di istanza supportati dal modello.
1. Per **Conteggio istanze iniziale**, inserisci il numero iniziale di istanze che desideri fornire per il tuo endpoint.
1. Per **Numero massimo di istanze**, specifica il numero massimo di istanze che l’endpoint può fornire in caso di aumento verticale per far fronte a un incremento di traffico.
1. Se il modello che stai implementando è uno degli JumpStart LLM più utilizzati dall'hub del modello, l'**opzione Configurazioni ** alternative viene visualizzata dopo i campi del tipo di istanza e del conteggio delle istanze.
Per gli JumpStart LLM più diffusi, AWS dispone di tipi di istanza pre-confrontati per ottimizzarli in termini di costi o prestazioni. Questi dati possono aiutarti a decidere quale tipo di istanza utilizzare per implementare il tuo LLM. Scegli **Configurazioni alternative** per aprire una finestra di dialogo che contiene i dati prevalutati. Il pannello ha un aspetto simile al seguente screenshot:
Nella casella **Configurazioni alternative**, segui questa procedura:
1. Selezione di un tipo di istanza. Puoi scegliere **Costo all’ora** o **Prestazioni ottimali** per visualizzare i tipi di istanze che ottimizzano i costi o le prestazioni per il modello specificato. Puoi anche scegliere ** Altre istanze supportate ** per visualizzare un elenco di altri tipi di istanze compatibili con il modello. JumpStart La selezione di un tipo di istanza qui sovrascrive qualsiasi selezione di istanza precedente specificata nella fase 6.
1. (Facoltativo) Attiva l’interruttore **Personalizza la configurazione selezionata** per specificare i valori di **Numero massimo di token totali** (il numero massimo di token che desideri consentire, ovvero la somma dei token di input e dell’output generato dal modello), **Lunghezza massima di token per input** (il numero massimo di token che desideri consentire per l’input di ogni richiesta) e **Numero massimo di richieste simultanee** (il numero massimo di richieste che il modello può elaborare simultaneamente).
1. Scegli **Seleziona** per confermare il tipo di istanza e le impostazioni di configurazione.
1. Il campo **Modello** dovrebbe già essere compilato con il nome del modello o dei modelli che stai implementando. Puoi scegliere **Aggiungi modello** per aggiungere altri modelli all’implementazione. Per ogni modello aggiunto, compila i seguenti campi:
1. Per **Numero di core CPU**, inserisci i core CPU che desideri dedicare all’utilizzo del modello.
1. Per **Numero minimo di copie**, inserisci il numero minimo di copie del modello che desideri ospitare sull’endpoint in un dato momento.
1. Per **Memoria CPU minima (MB)**, inserisci la quantità minima di memoria (in MB) richiesta dal modello.
1. Per **Memoria CPU massima (MB)**, inserisci la quantità massima di memoria (in MB) che desideri consentire al modello di utilizzare.
1. (Facoltativo) Per **Opzioni avanzate**, segui questa procedura:
1. Per il ruolo ** IAM**, utilizza il ruolo di esecuzione SageMaker AI IAM predefinito o specifica il tuo ruolo con le autorizzazioni necessarie. Questo ruolo IAM deve essere lo stesso del ruolo specificato durante la creazione del modello implementabile.
1. Per **Cloud privato virtuale (VPC)**, puoi specificare un VPC in cui ospitare l’endpoint.
1. Per la chiave KMS di ** crittografia**, seleziona una AWS KMS chiave per crittografare i dati sul volume di archiviazione collegato all'istanza di calcolo ML che ospita l'endpoint.
1. Attiva l’interruttore **Abilita l’isolamento di rete** per limitare l’accesso a Internet del container.
1. Per la **Configurazione del timeout**, inserisci i valori per i campi **Timeout per il download dei dati del modello (secondi)** e **Timeout per il controllo dell’integrità di avvio del container (secondi)**. Questi valori determinano il tempo massimo consentito dall' SageMaker IA per scaricare il modello nel contenitore e avviare il contenitore, rispettivamente.
1. Per **Tag**, inserisci i tag come coppie chiave-valore.
**Nota**
SageMaker L'IA configura il ruolo IAM, il VPC e le impostazioni di isolamento della rete con valori iniziali compatibili con il modello che stai implementando. Se interrompi la compatibilità modificando queste impostazioni, Studio mostra un avviso e impedisce l’implementazione.
Dopo aver configurato le opzioni, la pagina sarà simile allo screenshot seguente.
Dopo aver configurato l’implementazione, scegli **Implementa** per creare l’endpoint e implementare il modello.
## Implementare modelli con gli SDK Python
Utilizzando SageMaker Python SDK, puoi creare il tuo modello in due modi. Il primo consiste nel creare un oggetto di modello dalla classe `Model` oppure `ModelBuilder`. In caso di utilizzo della classe `Model` per creare un oggetto `Model`, è necessario specificare il pacchetto del modello o il codice di inferenza (a seconda del server del modello), gli script per gestire la serializzazione e la deserializzazione dei dati tra il client e il server ed eventuali dipendenze da caricare su Amazon S3 per il consumo. Il secondo modo per creare il modello consiste nell’utilizzare `ModelBuilder` per cui fornire artefatti del modello o codice di inferenza. `ModelBuilder` acquisisce automaticamente le dipendenze, deduce le funzioni di serializzazione e deserializzazione necessarie e genera un pacchetto delle dipendenze per creare l’oggetto `Model`. Per ulteriori informazioni su `ModelBuilder`, consultare [Crea un modello in Amazon SageMaker AI con ModelBuilder](how-it-works-modelbuilder-creation.md).
La sezione seguente descrive entrambi i metodi per creare il modello e implementare l’oggetto di modello.
### Configurazione
Gli esempi seguenti preparano il processo di implementazione del modello. Importano le librerie necessarie e definiscono l’URL S3 che individua gli artefatti del modello.
------
#### [ SageMaker Python SDK ]
**Example istruzioni di importazione**
L'esempio seguente importa moduli da SageMaker Python SDK v3. Questi moduli forniscono metodi utili per implementare i modelli e vengono utilizzati negli altri esempi che seguono.
```
import boto3
from sagemaker.serve import ModelBuilder
from sagemaker.core.resources import Endpoint
from sagemaker.core.helper.session_helper import Session
```
------
#### [ Boto3 (Inference Components) ]
**Example istruzioni di importazione**
L’esempio seguente importa moduli da SDK per Python (Boto3) e Python Standard Library. Questi moduli forniscono metodi utili per implementare i modelli e vengono utilizzati negli altri esempi che seguono.
```
import boto3
import botocore
import sys
import time
```
------
#### [ Boto3 (Model-based) ]
**Example istruzioni di importazione**
L’esempio seguente importa moduli da SDK per Python (Boto3) e Python Standard Library. Questi moduli forniscono metodi utili per implementare i modelli e vengono utilizzati negli altri esempi che seguono.
```
import boto3
import botocore
import datetime
from time import gmtime, strftime
```
------
**Example URL degli artefatti del modello**
Il codice seguente crea un esempio di URL Amazon S3. L’URL individua gli artefatti di un modello preaddestrato in un bucket Amazon S3.
```
# Create a variable w/ the model S3 URL
# The name of your S3 bucket:
s3_bucket = "amzn-s3-demo-bucket"
# The directory within your S3 bucket your model is stored in:
bucket_prefix = "{{sagemaker/model/path}}"
# The file name of your model artifact:
model_filename = "{{my-model-artifact.tar.gz}}"
# Relative S3 path:
model_s3_key = f"{bucket_prefix}/"+model_filename
# Combine bucket name, model file name, and relate S3 path to create S3 model URL:
model_url = f"s3://{s3_bucket}/{model_s3_key}"
```
L’URL Amazon S3 completo è archiviato nella variabile `model_url`, utilizzata negli esempi seguenti.
### Panoramica di
Esistono diversi modi per distribuire modelli con SageMaker Python SDK o SDK for Python (Boto3). Le sezioni seguenti riepilogano le fasi da completare per diversi approcci possibili. Queste fasi sono illustrate negli esempi che seguono.
------
#### [ SageMaker Python SDK ]
Usando SageMaker Python SDK v3, crei e distribuisci il tuo modello con. `ModelBuilder` Fornisci gli artefatti del modello o il codice di inferenza e acquisisci `ModelBuilder` automaticamente le dipendenze, deduce le funzioni di serializzazione e deserializzazione necessarie e impacchetta le dipendenze per creare il tuo modello. Per distribuire un modello, è necessario completare i seguenti passaggi:
1. Create un `ModelBuilder` oggetto con gli artefatti del modello, il ruolo e il tipo di istanza.
1. Chiama `deploy()` per distribuire il modello su un endpoint.
------
#### [ Boto3 (Inference Components) ]
Gli esempi che seguono mostrano come assegnare un modello a un componente di inferenza e quindi implementare il componente di inferenza in un endpoint. Per implementare un modello in questo modo, segui questa procedura:
1. (Facoltativo) Crea un oggetto del modello SageMaker AI utilizzando il [`create_model`](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_model.html) metodo.
1. Specifica le impostazioni per l’endpoint creando un oggetto di configurazione dell’endpoint. Per crearne uno, utilizza il metodo [`create_endpoint_config`](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_endpoint_config.html#create-endpoint-config).
1. Crea l’endpoint utilizzando il metodo [`create_endpoint`](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_endpoint.html) e, nella richiesta, fornisci la configurazione dell’endpoint creata.
1. Crea un componente di inferenza utilizzando il metodo `create_inference_component`. Nelle impostazioni è possibile specificare un modello in uno dei seguenti modi:
+ Specificare un oggetto del modello SageMaker AI
+ Specificando l’URI dell’immagine del modello e dell’URL S3
È inoltre possibile allocare risorse dell’endpoint al modello. Creando il componente di inferenza, il modello viene implementato nell’endpoint. È possibile implementare più modelli in un endpoint creando più componenti di inferenza, uno per ogni modello.
------
#### [ Boto3 (Model-based) ]
Gli esempi che seguono mostrano come creare un oggetto di modello e quindi implementare il modello in un endpoint. Per implementare un modello in questo modo, segui questa procedura:
1. Crea un modello SageMaker AI utilizzando il [`create_model`](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_model.html) metodo.
1. Specifica le impostazioni per l’endpoint creando un oggetto di configurazione dell’endpoint. Per crearne uno, utilizza il metodo [`create_endpoint_config`](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_endpoint_config.html#create-endpoint-config). Nella configurazione dell’endpoint assegna l’oggetto di modello a una variante di produzione.
1. Crea l’endpoint utilizzando il metodo [`create_endpoint`](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_endpoint.html). Nella richiesta fornisci la configurazione dell’endpoint creata.
Quando si crea l'endpoint, l' SageMaker IA fornisce le risorse dell'endpoint e distribuisce il modello sull'endpoint.
------
### Configura
Gli esempi seguenti configurano le risorse necessarie per implementare un modello in un endpoint.
------
#### [ SageMaker Python SDK ]
L'esempio seguente configura a con gli artefatti del modello`ModelBuilder`. `ModelBuilder`fornisce un'interfaccia unificata per il confezionamento e la distribuzione del modello.
```
from sagemaker.serve import ModelBuilder
model_builder = ModelBuilder(
image_uri="{{image-uri}}",
s3_model_data_url=model_url,
role_arn="arn:aws:iam::{{111122223333}}:role/service-role/{{role-name}}",
instance_type="{{ml.p4d.24xlarge}}",
)
```
------
#### [ Boto3 (Inference Components) ]
Il seguente esempio configura un endpoint con il metodo `create_endpoint_config`. Questa configurazione viene assegnata a un endpoint in fase di creazione. Nella configurazione è possibile definire una o più varianti di produzione. Per ogni variante, puoi scegliere il tipo di istanza di cui desideri che Amazon SageMaker AI esegua il provisioning e abilitare la scalabilità gestita delle istanze.
```
endpoint_config_name = "{{endpoint-config-name}}"
endpoint_name = "{{endpoint-name}}"
inference_component_name = "{{inference-component-name}}"
variant_name = "{{variant-name}}"
sagemaker_client.create_endpoint_config(
EndpointConfigName = endpoint_config_name,
ExecutionRoleArn = "arn:aws:iam::{{111122223333}}:role/service-role/{{role-name}}",
ProductionVariants = [
{
"VariantName": variant_name,
"InstanceType": "{{ml.p4d.24xlarge}}",
"InitialInstanceCount": {{1}},
"ManagedInstanceScaling": {
"Status": "{{ENABLED}}",
"MinInstanceCount": {{1}},
"MaxInstanceCount": {{2}},
},
}
],
)
```
------
#### [ Boto3 (Model-based) ]
**Example definizione di modello**
L'esempio seguente definisce un modello SageMaker AI con il `create_model` metodo in. AWS SDK per Python (Boto3)
```
model_name = "{{model-name}}"
create_model_response = sagemaker_client.create_model(
ModelName = model_name,
ExecutionRoleArn = "arn:aws:iam::{{111122223333}}:role/service-role/{{role-name}}",
PrimaryContainer = {
"Image": "{{image-uri}}",
"ModelDataUrl": model_url,
}
)
```
L’esempio specifica gli elementi seguenti:
+ `ModelName`: un nome per il modello (in questo esempio viene memorizzato come una variabile di stringa chiamata `model_name`).
+ `ExecutionRoleArn`: Amazon Resource Name (ARN) del ruolo IAM che Amazon SageMaker AI può assumere per accedere agli artefatti del modello e alle immagini Docker per la distribuzione su istanze di calcolo ML o per processi di trasformazione in batch.
+ `PrimaryContainer`: il percorso dell'immagine docker principale contenente il codice di inferenza, gli artefatti associati e la mappa dell'ambiente personalizzata che il codice di inferenza utilizza quando il modello è distribuito per le previsioni.
**Example Configurazione dell'endpoint**
Il seguente esempio configura un endpoint con il metodo `create_endpoint_config`. Amazon SageMaker AI utilizza questa configurazione per distribuire modelli. Nella configurazione, identifichi uno o più modelli, creati con il `create_model` metodo, per distribuire le risorse di cui desideri che Amazon SageMaker AI esegua il provisioning.
```
endpoint_config_response = sagemaker_client.create_endpoint_config(
EndpointConfigName = "{{endpoint-config-name}}",
# List of ProductionVariant objects, one for each model that you want to host at this endpoint:
ProductionVariants = [
{
"VariantName": "{{variant-name}}", # The name of the production variant.
"ModelName": model_name,
"InstanceType": "{{ml.p4d.24xlarge}}",
"InitialInstanceCount": {{1}} # Number of instances to launch initially.
}
]
)
```
Questo esempio specifica le seguenti chiavi per il campo `ProductionVariants`:
+ `VariantName`: il nome della variante di produzione.
+ `ModelName`: il nome del modello per cui eseguire l'hosting. Questo è il nome specificato al momento della creazione del modello.
+ `InstanceType`: il tipo di istanza di calcolo ML. Consulta il `InstanceType` campo [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProductionVariant.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProductionVariant.html) e i prezzi dell'[SageMaker IA ](https://aws.amazon.com/sagemaker/pricing/) per un elenco dei tipi di istanze di calcolo supportati e dei prezzi per ciascun tipo di istanza.
------
### Implementazione
Gli esempi seguenti implementano un modello in un endpoint.
------
#### [ SageMaker Python SDK ]
L'esempio seguente implementa il modello su un endpoint HTTPS in tempo reale utilizzando il `deploy` metodo di. `ModelBuilder`
```
endpoint = model_builder.deploy(
endpoint_name="{{endpoint-name}}",
instance_type="{{ml.p4d.24xlarge}}",
initial_instance_count=1,
)
# Invoke the endpoint
response = endpoint.invoke(
body=test_payload,
content_type="application/json"
)
print(response)
```
------
#### [ Boto3 (Inference Components) ]
Una volta completata la configurazione dell’endpoint, utilizza il metodo [create\_endpoint](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_endpoint.html) per creare l’endpoint. Il nome dell'endpoint deve essere univoco all'interno di un account Regione AWS . AWS
L’esempio seguente crea un endpoint utilizzando la configurazione dell’endpoint specificata nella richiesta. Amazon SageMaker AI utilizza l'endpoint per il provisioning delle risorse.
```
sagemaker_client.create_endpoint(
EndpointName = endpoint_name,
EndpointConfigName = endpoint_config_name,
)
```
Dopo aver creato un endpoint, è possibile implementare uno o più modelli al suo interno creando componenti di inferenza. L’esempio seguente ne crea uno con il metodo `create_inference_component`.
```
sagemaker_client.create_inference_component(
InferenceComponentName = inference_component_name,
EndpointName = endpoint_name,
VariantName = variant_name,
Specification = {
"Container": {
"Image": "{{image-uri}}",
"ArtifactUrl": model_url,
},
"ComputeResourceRequirements": {
"NumberOfCpuCoresRequired": {{1}},
"MinMemoryRequiredInMb": {{1024}}
}
},
RuntimeConfig = {"CopyCount": {{2}}}
)
```
------
#### [ Boto3 (Model-based) ]
**Example implementazione**
Fornisci la configurazione degli endpoint all' SageMaker IA. Il servizio avvia le istanze di calcolo ML e distribuisce il modello o i modelli come specificato nella configurazione.
Una volta completati il modello e la configurazione dell’endpoint, utilizza il metodo [create\_endpoint](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_endpoint.html) per creare l’endpoint. Il nome dell'endpoint deve essere univoco all'interno di un Regione AWS account AWS .
L’esempio seguente crea un endpoint utilizzando la configurazione dell’endpoint specificata nella richiesta. Amazon SageMaker AI utilizza l'endpoint per fornire risorse e distribuire modelli.
```
create_endpoint_response = sagemaker_client.create_endpoint(
# The endpoint name must be unique within an AWS Region in your AWS account:
EndpointName = "{{endpoint-name}}"
# The name of the endpoint configuration associated with this endpoint:
EndpointConfigName = "{{endpoint-config-name}}")
```
------
## Implementa modelli con AWS CLI
È possibile distribuire un modello su un endpoint utilizzando. AWS CLI
### Panoramica di
Quando si distribuisce un modello con AWS CLI, è possibile distribuirlo con o senza utilizzare un componente di inferenza. Le sezioni seguenti riepilogano i comandi da eseguire per entrambi gli approcci. Questi comandi sono illustrati negli esempi che seguono.
------
#### [ With inference components ]
Per implementare un modello con un componente di inferenza, segui questa procedura:
1. (Facoltativo) Crea un modello con il comando [`create-model`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-model.html).
1. Specifica le impostazioni per l’endpoint creando una configurazione dell’endpoint. Per creare una, esegui il comando [`create-endpoint-config`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint-config.html).
1. Crea un endpoint utilizzando il comando [`create-endpoint`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint.html). Nel corpo del comando specifica la configurazione dell’endpoint creata.
1. Crea un componente di inferenza utilizzando il comando `create-inference-component`. Nelle impostazioni è possibile specificare un modello in uno dei seguenti modi:
+ Specificare un oggetto del modello AI SageMaker
+ Specificando l’URI dell’immagine del modello e dell’URL S3
È inoltre possibile allocare risorse dell’endpoint al modello. Creando il componente di inferenza, il modello viene implementato nell’endpoint. È possibile implementare più modelli in un endpoint creando più componenti di inferenza, uno per ogni modello.
------
#### [ Without inference components ]
Per implementare un modello senza utilizzare un componente di inferenza, segui questa procedura:
1. Crea un modello SageMaker AI utilizzando il [`create-model`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-model.html) comando.
1. Specifica le impostazioni per l’endpoint creando un oggetto di configurazione dell’endpoint. Per creare uno, utilizza il comando [`create-endpoint-config`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint-config.html). Nella configurazione dell’endpoint assegna l’oggetto di modello a una variante di produzione.
1. Crea un endpoint utilizzando il comando [`create-endpoint`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint.html). Nel corpo del comando specifica la configurazione dell’endpoint creata.
Quando crei l'endpoint, l' SageMaker IA fornisce le risorse dell'endpoint e distribuisce il modello nell'endpoint.
------
### Configura
Gli esempi seguenti configurano le risorse necessarie per implementare un modello in un endpoint.
------
#### [ With inference components ]
**Example di comando create-endpoint-config**
L’esempio seguente crea una configurazione dell’endpoint con il comando [create-endpoint-config](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint-config.html).
```
aws sagemaker create-endpoint-config \
--endpoint-config-name {{endpoint-config-name}} \
--execution-role-arn arn:aws:iam::{{111122223333}}:role/service-role/{{role-name}}\
--production-variants file://production-variants.json
```
In questo esempio, il file `production-variants.json` definisce una variante di produzione con il seguente codice JSON:
```
[
{
"VariantName": "{{variant-name}}",
"ModelName": "{{model-name}}",
"InstanceType": "{{ml.p4d.24xlarge}}",
"InitialInstanceCount": {{1}}
}
]
```
Se il comando ha esito positivo, AWS CLI risponde con l'ARN della risorsa creata.
```
{
"EndpointConfigArn": "arn:aws:sagemaker:us-west-2:111122223333:endpoint-config/endpoint-config-name"
}
```
------
#### [ Without inference components ]
**Example di comando create-model**
L’esempio seguente crea un modello con il comando [create-model](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-model.html).
```
aws sagemaker create-model \
--model-name {{model-name}} \
--execution-role-arn arn:aws:iam::{{111122223333}}:role/service-role/{{role-name}} \
--primary-container "{ \"Image\": \"{{image-uri}}\", \"ModelDataUrl\": \"{{model-s3-url}}\"}"
```
Se il comando ha esito positivo, AWS CLI risponde con l'ARN della risorsa creata.
```
{
"ModelArn": "arn:aws:sagemaker:us-west-2:111122223333:model/model-name"
}
```
**Example di comando create-endpoint-config**
L’esempio seguente crea una configurazione dell’endpoint con il comando [create-endpoint-config](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint-config.html).
```
aws sagemaker create-endpoint-config \
--endpoint-config-name {{endpoint-config-name}} \
--production-variants file://production-variants.json
```
In questo esempio, il file `production-variants.json` definisce una variante di produzione con il seguente codice JSON:
```
[
{
"VariantName": "{{variant-name}}",
"ModelName": "{{model-name}}",
"InstanceType": "{{ml.p4d.24xlarge}}",
"InitialInstanceCount": {{1}}
}
]
```
Se il comando ha esito positivo, AWS CLI risponde con l'ARN della risorsa creata.
```
{
"EndpointConfigArn": "arn:aws:sagemaker:us-west-2:111122223333:endpoint-config/endpoint-config-name"
}
```
------
### Implementazione
Gli esempi seguenti implementano un modello in un endpoint.
------
#### [ With inference components ]
**Example di comando create-endpoint**
L’esempio seguente crea un endpoint con il comando [create-endpoint](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint.html).
```
aws sagemaker create-endpoint \
--endpoint-name {{endpoint-name}} \
--endpoint-config-name {{endpoint-config-name}}
```
Se il comando ha esito positivo, AWS CLI risponde con l'ARN della risorsa creata.
```
{
"EndpointArn": "arn:aws:sagemaker:us-west-2:111122223333:endpoint/endpoint-name"
}
```
**Example di comando create-inference-component**
L’esempio seguente crea un componente di inferenza con il comando create-inference-component.
```
aws sagemaker create-inference-component \
--inference-component-name {{inference-component-name}} \
--endpoint-name {{endpoint-name}} \
--variant-name {{variant-name}} \
--specification file://specification.json \
--runtime-config "{{{\"CopyCount\": 2}}}"
```
In questo esempio, il file `specification.json` definisce il container e le risorse di calcolo con il seguente codice JSON:
```
{
"Container": {
"Image": "{{image-uri}}",
"ArtifactUrl": "{{model-s3-url}}"
},
"ComputeResourceRequirements": {
"NumberOfCpuCoresRequired": 1,
"MinMemoryRequiredInMb": 1024
}
}
```
Se il comando ha esito positivo, AWS CLI risponde con l'ARN della risorsa creata.
```
{
"InferenceComponentArn": "arn:aws:sagemaker:us-west-2:111122223333:inference-component/inference-component-name"
}
```
------
#### [ Without inference components ]
**Example di comando create-endpoint**
L’esempio seguente crea un endpoint con il comando [create-endpoint](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-endpoint.html).
```
aws sagemaker create-endpoint \
--endpoint-name {{endpoint-name}} \
--endpoint-config-name {{endpoint-config-name}}
```
Se il comando ha esito positivo, AWS CLI risponde con l'ARN della risorsa creata.
```
{
"EndpointArn": "arn:aws:sagemaker:us-west-2:111122223333:endpoint/endpoint-name"
}
```
------