Usar um modelo treinado para gerar novos artefatos de modelo

Usando o comando de transformação de modelos do Neptune ML, é possível calcular artefatos de modelo, como incorporações de nós em dados de grafos processados, usando parâmetros de modelo pré-treinados.

Transformação de modelos para inferência incremental

No fluxo de trabalho de inferência de modelos incrementais, depois de processar os dados de grafos atualizados que você exportou do Neptune, é possível iniciar um trabalho de processamento de modelos usando um comando do curl (ou awscurl) como o seguinte:

curl \
  -X POST https://(your Neptune endpoint)/ml/modeltransform
  -H 'Content-Type: application/json' \
  -d '{
        "id" : "(a unique model-training job ID)",
        "dataProcessingJobId" : "(the data-processing job-id of a completed job)",
        "mlModelTrainingJobId": "(the ML model training job-id)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'

Depois, é possível transmitir o ID desse trabalho para a chamada da API create-endpoints a fim de criar um endpoint ou atualizar um existente com os novos artefatos do modelo gerados por esse trabalho. Isso permite que o endpoint novo ou atualizado forneça previsões de modelo para os dados de grafos atualizados.

Transformação de modelos para qualquer trabalho de treinamento

Você também pode fornecer um parâmetro trainingJobName para gerar artefatos de modelo para qualquer uma das tarefas de treinamento do SageMaker AI iniciados durante o treinamento de modelos do Neptune ML. Como uma tarefa de treinamento de modelos do Neptune ML pode iniciar muitas tarefas de treinamento do SageMaker AI, isso oferece a flexibilidade de criar um endpoint de inferência com base em qualquer uma dessas tarefas de treinamento do SageMaker.

Por exemplo:

curl \
  -X POST https://(your Neptune endpoint)/ml/modeltransform
  -H 'Content-Type: application/json' \
  -d '{
        "id" : "(a unique model-training job ID)",
        "trainingJobName" : "(name a completed SageMaker AI training job)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'

Se o trabalho de treinamento original foi para um modelo personalizado fornecido pelo usuário, você deverá incluir um objeto customModelTransformParameters ao invocar uma transformação de modelos. Consulte Modelos personalizados no Neptune ML para obter informações sobre como implementar e usar um modelo personalizado.

Consulte O comando modeltransform para obter mais informações sobre trabalhos de treinamento de modelos.