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. # Prognosen in Echtzeit Echtzeitprognosen sind nützlich, wenn Sie Prognosen erstellen müssen on-the-fly, z. B. für Anwendungen, die sofortige Antworten erfordern, oder für Prognosen für einzelne Datenpunkte. Durch die Bereitstellung Ihres AutoML-Modells als Echtzeit-Endpunkt können Sie On-Demand-Prognosen erstellen und die Latenz zwischen dem Empfang neuer Daten und dem Erhalt von Vorhersagen minimieren. Dadurch eignen sich Echtzeitprognosen gut für Anwendungen, die sofortige, personalisierte oder ereignisgesteuerte Prognosefunktionen erfordern. Für Echtzeitprognosen sollte der Datensatz eine Teilmenge des Eingabedatensatzes sein. Der Echtzeit-Endpunkt hat eine Eingabedatengröße von ca. 6 MB und die Zeitüberschreitung für die Antwort erfolgt nach 60 Sekunden. Wir empfehlen, jeweils nur einen oder wenige Artikel einzugeben. Sie können SageMaker APIs damit den besten Kandidaten für einen AutoML-Job abrufen und dann mit diesem Kandidaten einen SageMaker KI-Endpunkt erstellen. Alternativ können Sie bei der Erstellung Ihres Autopilot-Experiments die Option zur automatischen Bereitstellung wählen. Informationen zur Einrichtung der automatischen Bereitstellung von Modellen finden Sie unter [So aktivieren Sie die automatische Bereitstellung](autopilot-create-experiment-timeseries-forecasting.md#timeseries-forecasting-auto-model-deployment). **So erstellen Sie einen SageMaker KI-Endpunkt mit Ihrem besten Modellkandidaten:** 1. **Rufen Sie die Details des AutoML-Jobs ab.** Das folgende AWS CLI Befehlsbeispiel verwendet die [DescribeAutoMLJobV2-API](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html), um Details zum AutoML-Job abzurufen, einschließlich der Informationen über den besten Modellkandidaten. ``` aws sagemaker describe-auto-ml-job-v2 --auto-ml-job-name {{job-name}} --region {{region}} ``` 1. **Extrahieren Sie die Containerdefinition [InferenceContainers](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidate.html#sagemaker-Type-AutoMLCandidate-InferenceContainers)für den besten Modellkandidaten.** Eine Container-Definition ist die containerisierte Umgebung, in der das trainierte SageMaker KI-Modell für Vorhersagen gehostet wird. ``` BEST_CANDIDATE=$(aws sagemaker describe-auto-ml-job-v2 \ --auto-ml-job-name {{job-name}} --region {{region}} \ --query 'BestCandidate.InferenceContainers[0]' \ --output json ``` Mit diesem Befehl wird die Containerdefinition für den besten Modellkandidaten extrahiert und in der Variablen `BEST_CANDIDATE` gespeichert. 1. **Erstellen Sie ein SageMaker KI-Modell unter Verwendung der geeignetsten Containerdefinition.** Verwenden Sie die Containerdefinitionen aus den vorherigen Schritten, um mithilfe der [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)API ein SageMaker KI-Modell zu erstellen. ``` aws sagemaker create-model \ --model-name '{{your-candidate-name>}}' \ --primary-container "$BEST_CANDIDATE" --execution-role-arn '{{execution-role-arn>}}' \ --region '{{region>}} ``` Der `--execution-role-arn` Parameter gibt die IAM-Rolle an, die SageMaker KI bei der Verwendung des Modells für Inferenzen annimmt. Einzelheiten zu den für diese Rolle erforderlichen Berechtigungen finden Sie unter [CreateModel API: Berechtigungen für Ausführungsrollen](https://docs.aws.amazon.com/). 1. **Erstellen Sie mithilfe des Modells eine SageMaker KI-Endpunktkonfiguration.** Der folgende AWS CLI Befehl verwendet die [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html)API, um eine Endpunktkonfiguration zu erstellen. ``` aws sagemaker create-endpoint-config \ --production-variants file://production-variants.json \ --region '{{region}}' ``` Die Datei `production-variants.json` enthält die Modellkonfiguration, einschließlich des Modellnamens und des Instance-Typs. **Anmerkung** Wir empfehlen die Verwendung von [m5.12xlarge](https://aws.amazon.com/ec2/instance-types/m5/)-Instances für Prognosen in Echtzeit. ``` [ { "VariantName": "{{variant-name}}", "ModelName": "{{model-name}}", "InitialInstanceCount": {{1}}, "InstanceType": "{{m5.12xlarge}}" } ] } ``` 1. **Erstellen Sie den SageMaker AI-Endpunkt mithilfe der Endpunktkonfiguration.** Das folgende AWS CLI Beispiel verwendet die [CreateEndpoint](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpoint.html)API, um den Endpunkt zu erstellen. ``` aws sagemaker create-endpoint \ --endpoint-name '{{endpoint-name>}}' \ --endpoint-config-name '{{endpoint-config-name}}' \ --region '{{region}}' ``` Überprüfen Sie mithilfe der [DescribeEndpoint](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeEndpoint.html)API den Fortschritt Ihrer Implementierung von Inferenzendpunkten in Echtzeit. Sehen Sie sich den folgenden AWS CLI Befehl als Beispiel an. ``` aws sagemaker describe-endpoint \ --endpoint-name '{{endpoint-name}}' \ --region '{{region}}' ``` Nach den `EndpointStatus` Änderungen an `InService` ist der Endpunkt für Echtzeit-Inferences einsatzbereit. 1. **Rufen Sie den SageMaker KI-Endpunkt auf, um Vorhersagen zu treffen.** ``` aws sagemaker invoke-endpoint \ --endpoint-name '{{endpoint-name}}' \ --region '{{region}}' \ --body file://input-data-in-bytes.json \ --content-type '{{application/json}}' {{outfile}} ``` Die Datei `input-data-in-bytes.json` enthält die Eingabedaten für die Vorhersage.