As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Usando o AWS CLI para configurar o Neptune ML em um cluster de banco de dados
<a name="machine-learning-cluster-setup"></a>

Além do modelo de CloudFormation início rápido e do Console de gerenciamento da AWS, você também pode configurar o Neptune ML usando o. AWS CLI

## Criar um grupo de parâmetros de cluster de banco de dados para o novo cluster do Neptune ML
<a name="machine-learning-enabling-create-param-group"></a>

Os AWS CLI comandos a seguir criam um novo grupo de parâmetros do cluster de banco de dados e o configuram para funcionar com o Neptune ML:

**Como criar e configurar um grupo de parâmetros de cluster de banco de dados para o Neptune ML**

1. Crie um grupo de parâmetros de cluster de banco de dados:

   ```
   aws neptune create-db-cluster-parameter-group \
     --db-cluster-parameter-group-name (name of the new DB cluster parameter group) \
     --db-parameter-group-family neptune1
     --description "(description of your machine learning project)" \
     --region (AWS region, such as us-east-1)
   ```

1. Crie um parâmetro de `neptune_ml_iam_role` cluster de banco de dados definido como o ARN do `SageMakerExcecutionIAMRole` para seu cluster de banco de dados usar ao chamar a SageMaker IA para criar trabalhos e obter previsões de modelos de ML hospedados:

   ```
   aws neptune modify-db-cluster-parameter-group \
     --db-cluster-parameter-group-name (name of the new DB cluster parameter group) \
     --parameters "ParameterName=neptune_ml_iam_role, \
                   ParameterValue=ARN of the SageMakerExcecutionIAMRole, \
                   Description=NeptuneMLRole, \
                   ApplyMethod=pending-reboot" \
     --region (AWS region, such as us-east-1)
   ```

   Definir esse parâmetro permite que o Neptune SageMaker acesse a IA sem que você precise passar a função a cada chamada.

   Para obter informações sobre como criar o `SageMakerExcecutionIAMRole`, consulte [Crie um NeptuneSageMaker IAMRole papel personalizado](machine-learning-manual-setup.md#ml-manual-setup-sm-role).

1. Por fim, use `describe-db-cluster-parameters` para conferir se todos os parâmetros no novo grupo de parâmetros do cluster de banco de dados estão definidos da forma desejada:

   ```
   aws neptune describe-db-cluster-parameters \
     --db-cluster-parameter-group-name (name of the new DB cluster parameter group) \
     --region (AWS region, such as us-east-1)
   ```

## Anexar o novo grupo de parâmetros de cluster de banco de dados ao cluster de banco de dados a ser usado com o Neptune ML
<a name="machine-learning-enabling-attach-param-group"></a>

Agora é possível anexar o novo grupo de parâmetros do cluster de banco de dados que você acabou de criar a um cluster de banco de dados existente usando o seguinte comando:

```
aws neptune modify-db-cluster \
  --db-cluster-identifier (the name of your existing DB cluster) \
  --apply-immediately
  --db-cluster-parameter-group-name (name of your new DB cluster parameter group) \
  --region (AWS region, such as us-east-1)
```

Para tornar todos os parâmetros efetivos, você pode então reinicializar o cluster de banco de dados:

```
aws neptune reboot-db-instance
  --db-instance-identifier (name of the primary instance of your DB cluster) \
  --profile (name of your AWS profile to use) \
  --region (AWS region, such as us-east-1)
```

Ou, se estiver criando um cluster de banco de dados para usar com o Neptune ML, você poderá usar o seguinte comando para criar o cluster com o novo grupo de parâmetros anexado e, depois, criar uma instância principal (de gravador):

```
cluster-name=(the name of the new DB cluster)
aws neptune create-db-cluster
  --db-cluster-identifier ${cluster-name}
  --engine graphdb \
  --engine-version 1.0.4.1 \
  --db-cluster-parameter-group-name (name of your new DB cluster parameter group) \
  --db-subnet-group-name (name of the subnet to use) \
  --region (AWS region, such as us-east-1)

aws neptune create-db-instance
  --db-cluster-identifier ${cluster-name}
  --db-instance-identifier ${cluster-name}-i \
  --db-instance-class (the instance class to use, such as db.r5.xlarge)
  --engine graphdb \
  --region (AWS region, such as us-east-1)
```

## Anexe o `NeptuneSageMakerIAMRole` ao seu cluster de banco de dados para que ele possa acessar os recursos de SageMaker IA e Amazon S3
<a name="machine-learning-enabling-attach-neptune-sagemaker-role"></a>

Por fim, siga as instruções [Crie um NeptuneSageMaker IAMRole papel personalizado](machine-learning-manual-setup.md#ml-manual-setup-sm-role) para criar uma função do IAM que permitirá que seu cluster de banco de dados se comunique com a SageMaker IA e o Amazon S3. Depois, use o seguinte comando para anexar o perfil `NeptuneSageMakerIAMRole` que você criou ao cluster de banco de dados:

```
aws neptune add-role-to-db-cluster
  --db-cluster-identifier ${cluster-name}
  --role-arn arn:aws:iam::(the ARN number of the role's ARN):role/NeptuneMLRole \
  --region (AWS region, such as us-east-1)
```

## Crie dois endpoints para SageMaker IA em sua VPC Neptune
<a name="machine-learning-sm-endpoints"></a>

O Neptune ML precisa de SageMaker dois endpoints de IA na VPC do seu cluster de banco de dados Neptune:
+ `com.amazonaws.(AWS region, like us-east-1).sagemaker.runtime`
+ `com.amazonaws.(AWS region, like us-east-1).sagemaker.api`

Se você não usou o CloudFormation modelo de início rápido, que os cria automaticamente para você, você pode usar os seguintes AWS CLI comandos para criá-los:

Este cria o endpoint `sagemaker.runtime`:

```
aws ec2 create-vpc-endpoint
  --vpc-id (the ID of your Neptune DB cluster's VPC)
  --vpc-endpoint-type Interface
  --service-name com.amazonaws.(AWS region, like us-east-1).sagemaker.runtime
  --subnet-ids (the subnet ID or IDs that you want to use)
  --security-group-ids (the security group for the endpoint network interface, or omit to use the default)
  --private-dns-enabled
```

E este cria o endpoint `sagemaker.api`:

```
aws ec2 create-vpc-endpoint
  --vpc-id (the ID of your Neptune DB cluster's VPC)
  --vpc-endpoint-type Interface
  --service-name com.amazonaws.(AWS region, like us-east-1).sagemaker.api
  --subnet-ids (the subnet ID or IDs that you want to use)
  --security-group-ids (the security group for the endpoint network interface, or omit to use the default)
  --private-dns-enabled
```

Você também pode usar o [console da VPC](https://console.aws.amazon.com/vpc/) para criar esses endpoints. Consulte [Chamadas de previsão seguras na Amazon SageMaker com AWS PrivateLink](https://aws.amazon.com/blogs/machine-learning/secure-prediction-calls-in-amazon-sagemaker-with-aws-privatelink/) e [Protegendo todas as chamadas de SageMaker API da Amazon com AWS PrivateLink](https://aws.amazon.com/blogs/machine-learning/securing-all-amazon-sagemaker-api-calls-with-aws-privatelink/).

## Crie um parâmetro de endpoint de inferência de SageMaker IA em seu grupo de parâmetros do cluster de banco de dados
<a name="machine-learning-set-inference-endpoint-cluster-parameter"></a>

Para evitar a necessidade de especificar o endpoint de inferência de SageMaker IA do modelo que você está usando em cada consulta que você faz a ele, crie um parâmetro de cluster de banco de dados chamado `neptune_ml_endpoint` no grupo de parâmetros do cluster de banco de dados para o Neptune ML. Defina o parâmetro como o `id` do endpoint da instância em questão.

Você pode usar o seguinte AWS CLI comando para fazer isso:

```
aws neptune modify-db-cluster-parameter-group \
  --db-cluster-parameter-group-name neptune-ml-demo \
  --parameters "ParameterName=neptune_ml_endpoint, \
                ParameterValue=(the name of the SageMaker AI inference endpoint you want to query), \
                Description=NeptuneMLEndpoint, \
                ApplyMethod=pending-reboot" \
  --region (AWS region, such as us-east-1)
```