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.

# Usar um modelo treinado para gerar novos artefatos de modelo
<a name="machine-learning-model-transform"></a>

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
<a name="machine-learning-model-transform-incremental"></a>

No [fluxo de trabalho de inferência de modelos incrementais](machine-learning-overview-evolving-data-incremental.md#machine-learning-overview-incremental), 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
<a name="machine-learning-model-transform-any-job"></a>

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](machine-learning-custom-models.md) para obter informações sobre como implementar e usar um modelo personalizado.

**nota**  
O comando `modeltransform` sempre executa a transformação de modelos na melhor tarefa de treinamento do SageMaker AI para esse treinamento.

Consulte [O comando modeltransform](machine-learning-api-modeltransform.md) para obter mais informações sobre trabalhos de treinamento de modelos.