Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Menyebarkan model JumpStart
<a name="deploy-jumpstart-model"></a>

Anda dapat menerapkan JumpStart model pra-terlatih untuk inferensi menggunakan CLI atau SDK.

## Menggunakan CLI
<a name="deploy-jumpstart-cli"></a>

Jalankan perintah berikut untuk menyebarkan JumpStart model:

```
hyp create hyp-jumpstart-endpoint \
  --version 1.0 \
  --model-id deepseek-llm-r1-distill-qwen-1-5b \
  --instance-type ml.g5.8xlarge \
  --endpoint-name endpoint-test-jscli
```

## Menggunakan SDK
<a name="deploy-jumpstart-sdk"></a>

Buat skrip Python dengan konten berikut:

```
from sagemaker.hyperpod.inference.config.hp_jumpstart_endpoint_config import Model, Server, SageMakerEndpoint, TlsConfig
from sagemaker.hyperpod.inference.hp_jumpstart_endpoint import HPJumpStartEndpoint

model=Model(
    model_id='deepseek-llm-r1-distill-qwen-1-5b'
)

server=Server(
    instance_type='ml.g5.8xlarge',
)

endpoint_name=SageMakerEndpoint(name='{{<endpoint-name>}}')

# create spec
js_endpoint=HPJumpStartEndpoint(
    model=model,
    server=server,
    sage_maker_endpoint=endpoint_name
)
```

## Memanggil titik akhir
<a name="invoke-jumpstart-endpoint"></a>

### Menggunakan CLI
<a name="invoke-jumpstart-cli"></a>

Uji titik akhir dengan masukan sampel:

```
hyp invoke hyp-jumpstart-endpoint \
    --endpoint-name endpoint-jumpstart \
    --body '{"inputs":"What is the capital of USA?"}'
```

### Menggunakan SDK
<a name="invoke-jumpstart-sdk"></a>

Tambahkan kode berikut ke skrip Python Anda:

```
data = '{"inputs":"What is the capital of USA?"}'
response = js_endpoint.invoke(body=data).body.read()
print(response)
```

## Kelola titik akhir
<a name="manage-jumpstart-endpoint"></a>

### Menggunakan CLI
<a name="manage-jumpstart-cli"></a>

Daftar dan periksa titik akhir:

```
hyp list hyp-jumpstart-endpoint
hyp get hyp-jumpstart-endpoint --name endpoint-jumpstart
```

### Menggunakan SDK
<a name="manage-jumpstart-sdk"></a>

Tambahkan kode berikut ke skrip Python Anda:

```
endpoint_iterator = HPJumpStartEndpoint.list()
for endpoint in endpoint_iterator:
    print(endpoint.name, endpoint.status)

logs = js_endpoint.get_logs()
print(logs)
```

## Pembersihan sumber daya
<a name="cleanup-jumpstart-resources"></a>

Setelah selesai, hapus titik akhir untuk menghindari biaya yang tidak perlu.

### Menggunakan CLI
<a name="cleanup-jumpstart-cli"></a>

```
hyp delete hyp-jumpstart-endpoint --name endpoint-jumpstart
```

### Menggunakan SDK
<a name="cleanup-jumpstart-sdk"></a>

```
js_endpoint.delete()
```

## Langkah selanjutnya
<a name="jumpstart-next-steps"></a>

Sekarang setelah Anda melatih PyTorch model, menerapkannya sebagai titik akhir khusus, dan menerapkan JumpStart model menggunakan HyperPod CLI dan SDK, jelajahi fitur-fitur lanjutan:
+ **Pelatihan multi-node: Pelatihan** skala di beberapa instance
+ **Wadah khusus**: Bangun lingkungan pelatihan khusus
+ **Integrasi dengan SageMaker Pipelines**: Otomatiskan alur kerja ML Anda
+ **Pemantauan lanjutan**: Siapkan metrik dan peringatan khusus

Untuk lebih banyak contoh dan konfigurasi lanjutan, kunjungi [SageMaker HyperPod GitHub repositori](https://github.com/aws/amazon-sagemaker-examples).