Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Rufen Sie den Endpunkt auf
<a name="clarify-online-explainability-invoke-endpoint"></a>

Nachdem der Endpunkt ausgeführt wurde, verwenden Sie die SageMaker AI [InvokeEndpoint](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_runtime_InvokeEndpoint.html)Runtime-API im SageMaker AI Runtime-Dienst, um Anfragen an den Endpunkt zu senden oder ihn aufzurufen. Als Antwort darauf werden die Anfragen vom Clarify-Erklärer als Erklärungsanfragen behandelt. SageMaker 

**Anmerkung**  
Wählen Sie eine der folgenden Optionen aus, um einen Endpunkt aufzurufen:  
Anweisungen zur Verwendung von Boto3 oder zum Aufrufen eines Endpunkts finden AWS CLI Sie unter. [Aufrufen von Modellen für Echtzeit-Inferenz](realtime-endpoints-test-endpoints.md)
Informationen zum Aufrufen eines Endpunkts mit dem SageMaker SDK für Python finden Sie in der [Predictor-API](https://sagemaker.readthedocs.io/en/stable/api/inference/predictors.html).

## Anforderung
<a name="clarify-online-explainability-request"></a>

Die `InvokeEndpoint`-API hat einen optionalen Parameter `EnableExplanations`, der dem HTTP-Header zugeordnet `X-Amzn-SageMaker-Enable-Explanations` ist. Wenn dieser Parameter angegeben wird, überschreibt er den `EnableExplanations`-Parameter von `ClarifyExplainerConfig`.

**Anmerkung**  
Die Parameter `ContentType` und `Accept` der `InvokeEndpoint`-API sind erforderlich. Zu den unterstützten Formaten gehören MIME-Typ `text/csv` und `application/jsonlines`.

Verwenden Sie den `sagemaker_runtime_client`, um wie folgt eine Anfrage an den Endpunkt zu senden:

```
response = sagemaker_runtime_client.invoke_endpoint(
    EndpointName='name-of-your-endpoint',
    EnableExplanations='`true`',
    ContentType='text/csv',
    Accept='text/csv',
    Body='1,2,3,4',  # single record (of four numerical features)
)
```

Bei Endpunkten mit mehreren Modellen übergeben Sie in der vorherigen Beispielanforderung einen zusätzlichen `TargetModel` Parameter, der angibt, auf welches Modell der Endpunkt ausgerichtet werden soll. Der Multimodell-Endpunkt lädt Zielmodelle nach Bedarf dynamisch. Weitere Informationen Multimodell-Endpunkten finden Sie unter [Multimodell-Endpunkte](multi-model-endpoints.md). Im [Beispielnotizbuch SageMaker Clarify Online Explainability on Multi-Model Endpoint](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-clarify/online_explainability/tabular_multi_model_endpoint/multi_model_xgboost_with_online_explainability.ipynb) finden Sie ein Beispiel dafür, wie Sie mehrere Zielmodelle von einem einzigen Endpunkt aus einrichten und aufrufen können.

## Antwort
<a name="clarify-online-explainability-response"></a>

Wenn der Endpunkt mit `ExplainerConfig` erstellt wird, wird ein neues Antwortschema verwendet. Dieses neue Schema unterscheidet sich von einem Endpunkt, für den der angegebene `ExplainerConfig`-Parameter fehlt und nicht mit diesem kompatibel ist.

Der MIME-Typ der Antwort ist `application/json`, und die Antwortnutzlast kann von UTF-8-Bytes in ein JSON-Objekt dekodiert werden. Im Folgenden werden die Mitglieder dieses JSON-Objekts wie folgt dargestellt:
+ `version`: Die Version des Antwortschemas im Zeichenfolgeformat. Beispiel, `1.0`.
+ `predictions`: Die Vorhersagen, die die Anfrage macht, haben folgende Eigenschaften:
  + `content_type`: Der MIME-Typ der Vorhersagen, der sich auf die Antwort `ContentType` des Modellcontainers bezieht.
  + `data`: Die Datenzeichenfolge mit den Vorhersagen, die als Nutzlast der Antwort des Modellcontainers für die Anfrage geliefert wurde.
+ `label_headers`: Die Label-Header des `LabelHeaders`-Parameters. Dies wird entweder in der Erklärkonfiguration oder in der Ausgabe des Modellcontainers bereitgestellt.
+ `explanations`: Die Erläuterungen finden Sie in der Anforderungsnutzlast. Wenn keine Datensätze erklärt werden, gibt dieses Mitglied das leere Objekt `{}` zurück.
+ 
  + `kernel_shap`: Ein Schlüssel, der sich auf ein Array von Kernel-SHAP-Erklärungen für jeden Datensatz in der Anfrage bezieht. Wenn ein Datensatz nicht erklärt wird, ist die entsprechende Erklärung `null`.

Das `kernel_shap`-Element hat die folgenden Mitglieder:
+ `feature_header`: Der Header-Name der Funktionen, die durch den `FeatureHeaders`-Parameter in der Erklärkonfiguration `ExplainerConfig` bereitgestellt werden.
+ `feature_type`: Der Feature-Typ, der vom Erklärer abgeleitet oder im `FeatureTypes`-Parameter in der `ExplainerConfig` angegeben wurde. Dieses Element ist nur für NLP-Erklärbarkeitsprobleme verfügbar.
+ `attributions`: Eine Reihe von Zuordnungsobjekten. Textmerkmale können mehrere Zuordnungsobjekte haben, jedes für eine Einheit. Das Zuordnungsobjekt hat die folgenden Mitglieder:
  + `attribution`: Eine Liste von Wahrscheinlichkeitswerten, die für jede Klasse angegeben ist.
  + `description`: Die Beschreibung der Texteinheiten, nur für NLP-Erklärbarkeitsprobleme verfügbar.
    + `partial_text`: Der Teil des Textes, der vom Erklärer erklärt wurde.
    + `start_idx`: Ein auf Null basierender Index zur Identifizierung der Array-Position am Anfang des partiellen Textfragments.