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

# Buat model
<a name="serverless-endpoints-create-model"></a>

Untuk membuat model Anda, Anda harus memberikan lokasi artefak model dan gambar kontainer Anda. Anda juga dapat menggunakan versi model dari [SageMaker Model Registry](model-registry.md). Contoh di bagian berikut menunjukkan cara membuat model menggunakan [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)API, Model Registry, dan [konsol Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker/home).

## Untuk membuat model (menggunakan Model Registry)
<a name="serverless-endpoints-create-model-registry"></a>

[Model Registry](model-registry.md) adalah fitur SageMaker AI yang membantu Anda membuat katalog dan mengelola versi model Anda untuk digunakan di saluran pipa ML. Untuk menggunakan Registri Model dengan Inferensi Tanpa Server, Anda harus terlebih dahulu mendaftarkan versi model dalam grup model Registry Model. Untuk mempelajari cara mendaftarkan model di Model Registry, ikuti prosedur di [Buat Grup Model](model-registry-model-group.md) dan[Daftarkan Versi Model](model-registry-version.md).

Contoh berikut mengharuskan Anda untuk memiliki ARN dari versi model terdaftar dan menggunakan [AWS SDK for Python (Boto3) untuk memanggil API](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html). [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) Untuk Inferensi Tanpa Server, Registri Model saat ini hanya didukung oleh AWS SDK for Python (Boto3). Sebagai contoh, tentukan nilai-nilai berikut:
+ Untuk`model_name`, masukkan nama untuk model.
+ Untuk`sagemaker_role`, Anda dapat menggunakan peran default yang SageMaker dibuat AI atau peran SageMaker AI IAM yang disesuaikan dari Langkah 4 bagian[Lengkapi prasyarat](serverless-endpoints-prerequisites.md).
+ Untuk`ModelPackageName`, tentukan ARN untuk versi model Anda, yang harus didaftarkan ke grup model di Model Registry.

```
#Setup
import boto3
import sagemaker
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)

#Role to give SageMaker AI permission to access AWS services.
sagemaker_role = sagemaker.get_execution_role()

#Specify a name for the model
model_name = "<name-for-model>"

#Specify a Model Registry model version
container_list = [
    {
        "ModelPackageName": <model-version-arn>
     }
 ]

#Create the model
response = client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = sagemaker_role,
    container_list
)
```

## Untuk membuat model (menggunakan API)
<a name="serverless-endpoints-create-model-api"></a>

Contoh berikut menggunakan [AWS SDK for Python (Boto3) untuk memanggil](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html) API. [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) Tentukan nilai-nilai berikut ini:
+ Untuk `sagemaker_role,` Anda dapat menggunakan peran default yang SageMaker dibuat AI atau peran SageMaker AI IAM yang disesuaikan dari Langkah 4 bagian[Lengkapi prasyarat](serverless-endpoints-prerequisites.md).
+ Untuk`model_url`, tentukan URI Amazon S3 ke model Anda.
+ Untuk`container`, ambil wadah yang ingin Anda gunakan dengan jalur Amazon ECR-nya. Contoh ini menggunakan XGBoost wadah yang SageMaker disediakan AI. Jika Anda belum memilih wadah SageMaker AI atau membawanya sendiri, lihat Langkah 6 [Lengkapi prasyarat](serverless-endpoints-prerequisites.md) bagian untuk informasi selengkapnya.
+ Untuk`model_name`, masukkan nama untuk model.

```
#Setup
import boto3
import sagemaker
region = boto3.Session().region_name
client = boto3.client("sagemaker", region_name=region)

#Role to give SageMaker AI permission to access AWS services.
sagemaker_role = sagemaker.get_execution_role()

#Get model from S3
model_url = "s3://amzn-s3-demo-bucket/models/model.tar.gz"

#Get container image (prebuilt example)
from sagemaker import image_uris
container = image_uris.retrieve("xgboost", region, "0.90-1")

#Create model
model_name = "<name-for-model>"

response = client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = sagemaker_role,
    Containers = [{
        "Image": container,
        "Mode": "SingleModel",
        "ModelDataUrl": model_url,
    }]
)
```

## Untuk membuat model (menggunakan konsol)
<a name="serverless-endpoints-create-model-console"></a>

1. Masuk ke [konsol Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker/home).

1. Di tab navigasi, pilih **Inferensi**.

1. Selanjutnya, pilih **Model**.

1. Pilih **Buat model**.

1. Untuk **nama Model**, masukkan nama untuk model yang unik untuk akun Anda dan Wilayah AWS.

1. Untuk **peran IAM**, pilih peran IAM yang telah Anda buat (lihat[Lengkapi prasyarat](serverless-endpoints-prerequisites.md)) atau izinkan SageMaker AI membuatnya untuk Anda.

1. Dalam **definisi Container 1**, untuk **opsi input Container**, pilih **Menyediakan artefak model dan lokasi input**.

1. Untuk **Menyediakan artefak model dan opsi gambar inferensi**, pilih **Gunakan model tunggal**.

1. Untuk **Lokasi gambar kode inferensi**, masukkan jalur ECR Amazon ke wadah. Gambar harus berupa gambar pihak pertama yang SageMaker disediakan AI (mis. TensorFlow, XGBoost) atau gambar yang berada di repositori Amazon ECR dalam akun yang sama tempat Anda membuat titik akhir. Jika Anda tidak memiliki wadah, kembali ke Langkah 6 [Lengkapi prasyarat](serverless-endpoints-prerequisites.md) bagian untuk informasi lebih lanjut.

1. Untuk **Lokasi artefak model**, masukkan URI Amazon S3 ke model ML Anda. Misalnya, `s3://amzn-s3-demo-bucket/models/model.tar.gz`.

1. (Opsional) Untuk **Tag**, tambahkan pasangan nilai kunci untuk membuat metadata untuk model Anda.

1. Pilih **Buat model**.