기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
쿼리할 추론 엔드포인트 생성
추론 엔드포인트를 사용하면 모델 훈련 프로세스에서 구성한 특정 모델 하나를 쿼리할 수 있습니다. 엔드포인트는 훈련 프로세스에서 생성할 수 있었던 특정 유형의 모델 중 성능이 가장 우수한 모델에 연결됩니다. 그러면 엔드포인트는 Neptune의 Gremlin 쿼리를 수락하고 쿼리의 입력에 대해 해당 모델의 예측을 반환할 수 있습니다. 추론 엔드포인트를 생성한 후에는 삭제할 때까지 활성 상태를 유지합니다.
Neptune ML의 추론 엔드포인트 관리
Neptune에서 내보낸 데이터에 대한 모델 훈련을 완료한 후 다음과 같은 명령을 사용하여 추론 엔드포인트를 생성할 수 있습니다.
- AWS CLI
-
aws neptunedata create-ml-endpoint \
--endpoint-url https://your-neptune-endpoint:port \
--id "(a unique ID for the new endpoint)" \
--ml-model-training-job-id "(the model-training job-id of a completed job)"
자세한 내용은 AWS CLI 명령 참조의 create-ml-endpoint를 참조하세요.
- SDK
-
import boto3
from botocore.config import Config
client = boto3.client(
'neptunedata',
endpoint_url='https://your-neptune-endpoint:port',
config=Config(read_timeout=None, retries={'total_max_attempts': 1})
)
response = client.create_ml_endpoint(
id='(a unique ID for the new endpoint)',
mlModelTrainingJobId='(the model-training job-id of a completed job)'
)
print(response)
- awscurl
-
awscurl https://your-neptune-endpoint:port/ml/endpoints \
--region us-east-1 \
--service neptune-db \
-X POST \
-H 'Content-Type: application/json' \
-d '{
"id" : "(a unique ID for the new endpoint)",
"mlModelTrainingJobId": "(the model-training job-id of a completed job)"
}'
이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. us-east-1을 Neptune 클러스터의 리전으로 바꿉니다.
- curl
-
curl \
-X POST https://your-neptune-endpoint:port/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)"
}'
모델 변환 작업을 완료하여 만든 모델에서 추론 엔드포인트를 생성하는 방법도 거의 동일합니다.
- AWS CLI
-
aws neptunedata create-ml-endpoint \
--endpoint-url https://your-neptune-endpoint:port \
--id "(a unique ID for the new endpoint)" \
--ml-model-transform-job-id "(the model-transform job-id of a completed job)"
자세한 내용은 AWS CLI 명령 참조의 create-ml-endpoint를 참조하세요.
- SDK
-
import boto3
from botocore.config import Config
client = boto3.client(
'neptunedata',
endpoint_url='https://your-neptune-endpoint:port',
config=Config(read_timeout=None, retries={'total_max_attempts': 1})
)
response = client.create_ml_endpoint(
id='(a unique ID for the new endpoint)',
mlModelTransformJobId='(the model-transform job-id of a completed job)'
)
print(response)
- awscurl
-
awscurl https://your-neptune-endpoint:port/ml/endpoints \
--region us-east-1 \
--service neptune-db \
-X POST \
-H 'Content-Type: application/json' \
-d '{
"id" : "(a unique ID for the new endpoint)",
"mlModelTransformJobId": "(the model-transform job-id of a completed job)"
}'
이 예제에서는 자격 AWS 증명이 환경에 구성되어 있다고 가정합니다. us-east-1을 Neptune 클러스터의 리전으로 바꿉니다.
- curl
-
curl \
-X POST https://your-neptune-endpoint:port/ml/endpoints \
-H 'Content-Type: application/json' \
-d '{
"id" : "(a unique ID for the new endpoint)",
"mlModelTransformJobId": "(the model-transform job-id of a completed job)"
}'
이러한 명령을 사용하는 방법에 대한 자세한 내용은 엔드포인트 상태를 가져오는 방법, 엔드포인트를 삭제하는 방법, 모든 추론 엔드포인트를 나열하는 방법과 함께 endpoints 명령에 설명되어 있습니다.
