Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Administración de los puntos de conexión de inferencia mediante el comando `endpoints` El comando `endpoints` de Neptune ML se utiliza para crear un punto de conexión de inferencia, comprobar su estado, eliminarlo o enumerar los puntos de conexión de inferencia existentes. ## Creación de un punto de conexión de inferencia mediante el comando `endpoints` de Neptune ML Un comando `endpoints` de Neptune ML para crear un punto de conexión de inferencia a partir de un modelo creado por un trabajo de entrenamiento tiene el siguiente aspecto: ``` 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)" }' ``` Un comando `endpoints` de Neptune ML para actualizar un punto de conexión de inferencia existente a partir de un modelo creado por un trabajo de entrenamiento tiene el siguiente aspecto: ``` 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)" }' ``` Un comando `endpoints` de Neptune ML para crear un punto de conexión de inferencia a partir de un trabajo de transformación de modelos tiene el siguiente aspecto: ``` 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)" }' ``` Un comando `endpoints` de Neptune ML para actualizar un punto de conexión de inferencia existente a partir de un trabajo de transformación de modelos tiene el siguiente aspecto: ``` 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)" }' ``` **Parámetros para la creación de puntos de conexión de inferencia `endpoints`** + **`id`**: (*opcional*) un identificador único para el nuevo punto de conexión de inferencia. *Tipo*: cadena. *Valor predeterminado*: un nombre con marca temporal generado automáticamente. + **`mlModelTrainingJobId`**: el ID del trabajo de entrenamiento de modelos completado que ha creado el modelo al que apuntará el punto de conexión de inferencia. *Tipo*: cadena. *Nota*: Debe proporcionar el valor `mlModelTrainingJobId` o el valor `mlModelTransformJobId`. + **`mlModelTransformJobId`**: el ID de trabajo de un trabajo de transformación de modelos completado. *Tipo*: cadena. *Nota*: Debe proporcionar el valor `mlModelTrainingJobId` o el valor `mlModelTransformJobId`. + **`update`**: (*opcional*) si está presente, este parámetro indica que se trata de una solicitud de actualización. *Tipo*: booleano. *Valor predeterminado*: `false` *Nota*: Debe proporcionar el valor `mlModelTrainingJobId` o el valor `mlModelTransformJobId`. + **`neptuneIamRoleArn`**— (*Opcional*) El ARN de un rol de IAM que proporciona a Neptune acceso a los recursos de IA y SageMaker Amazon S3. *Tipo*: cadena. *Nota*: Debe figurar en el grupo de parámetros del clúster de base de datos o se producirá un error. + **`modelName`**: (*opcional*) tipo de modelo para el entrenamiento. De forma predeterminada, el modelo de ML se basa automáticamente en el `modelType` utilizado en el procesamiento de datos, pero aquí puede especificar otro tipo de modelo. *Tipo*: cadena. *Valor predeterminado*: `rgcn` para gráficos heterogéneos y `kge` para gráficos de conocimientos. *Valores válidos*: para gráficos heterogéneos: `rgcn`. Para gráficos de conocimientos: `kge`, `transe`, `distmult` o `rotate`. + **`instanceType`**: (*opcional*) el tipo de instancia de ML que se utiliza para el mantenimiento en línea. *Tipo*: cadena. *Valor predeterminado*: `ml.m5.xlarge`. *Nota*: La selección de la instancia de ML para un punto de conexión de inferencia depende del tipo de tarea, del tamaño del gráfico y del presupuesto. Consulte [Selección de una instancia para un punto de conexión de inferencia](machine-learning-on-graphs-instance-selection.md#machine-learning-on-graphs-inference-endpoint-instance-size). + **`instanceCount`**: (*opcional*) el número mínimo de instancias de Amazon EC2 que se deben implementar en un punto de conexión para la predicción. *Tipo*: número entero. *Valor predeterminado*: `1`. + **`volumeEncryptionKMSKey`**— (*Opcional*) La clave AWS Key Management Service (AWS KMS) que utiliza la SageMaker IA para cifrar los datos del volumen de almacenamiento adjunto a las instancias informáticas de aprendizaje automático que ejecutan los puntos finales. *Tipo*: cadena. *Valor predeterminado*: *ninguno*. ## Obtención del estado de un punto de conexión de inferencia mediante el comando `endpoints` de Neptune ML Un ejemplo del comando `endpoints` de Neptune ML para el estado de un punto de conexión de instancia: ``` curl -s \ "https://(your Neptune endpoint)/ml/endpoints/(the inference endpoint ID)" \ | python -m json.tool ``` **Parámetros para el estado del punto de conexión de instancia `endpoints`** + **`id`**: (*obligatorio*) el identificador único del punto de conexión de inferencia. *Tipo*: cadena. + **`neptuneIamRoleArn`**— (*Opcional*) El ARN de un rol de IAM que proporciona a Neptune acceso a los recursos de IA y SageMaker Amazon S3. *Tipo*: cadena. *Nota*: Debe figurar en el grupo de parámetros del clúster de base de datos o se producirá un error. ## Eliminación de un punto de conexión de instancia mediante el comando `endpoints` de Neptune ML Un ejemplo del comando `endpoints` de Neptune ML para eliminar un punto de conexión de instancia: ``` curl -s \ -X DELETE "https://(your Neptune endpoint)/ml/endpoints/(the inference endpoint ID)" ``` Otro ejemplo: ``` curl -s \ -X DELETE "https://(your Neptune endpoint)/ml/endpoints/(the inference endpoint ID)?clean=true" ``` **Parámetros para la eliminación de puntos de conexión de inferencia `endpoints`** + **`id`**: (*obligatorio*) el identificador único del punto de conexión de inferencia. *Tipo*: cadena. + **`neptuneIamRoleArn`**— (*Opcional*) El ARN de un rol de IAM que proporciona a Neptune acceso a los recursos de IA y SageMaker Amazon S3. *Tipo*: cadena. *Nota*: Debe figurar en el grupo de parámetros del clúster de base de datos o se producirá un error. + **`clean`**: (*opcional*) indica que también se deben eliminar todos los artefactos relacionados con este punto de conexión. *Tipo*: booleano. *Valor predeterminado*: `FALSE`. ## Enumeración de puntos de conexión de inferencia mediante el comando `endpoints` de Neptune ML Un comando `endpoints` de Neptune ML para enumerar los puntos de conexión de inferencia tiene el siguiente aspecto: ``` curl -s "https://(your Neptune endpoint)/ml/endpoints" \ | python -m json.tool ``` Otro ejemplo: ``` curl -s "https://(your Neptune endpoint)/ml/endpoints?maxItems=3" \ | python -m json.tool ``` **Parámetros para la enumeración de puntos de conexión de inferencia `dataprocessing`** + **`maxItems`**: (*opcional*) el número máximo de elementos que devolver. *Tipo*: número entero. *Valor predeterminado*: `10`. *Valor máximo permitido*: `1024`. + **`neptuneIamRoleArn`**— (*Opcional*) El ARN de un rol de IAM que proporciona a Neptune acceso a los recursos de IA y SageMaker Amazon S3. *Tipo*: cadena. *Nota*: Debe figurar en el grupo de parámetros del clúster de base de datos o se producirá un error.