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.

# Teste de modelos com variantes de sombra
<a name="model-shadow-deployment"></a>

 Você pode usar as implantações de sombra de modelo do SageMaker AI para criar variantes de sombra de longa duração e validar qualquer novo componente possível da sua pilha de serviços de modelos antes de promovê-lo à produção. O diagrama a seguir mostra como as variantes de sombra funcionam mais detalhadamente. 

![Detalhes de uma variante de sombra.](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/juxtaposer/shadow-variant.png)


## Implemente variantes de sombra
<a name="model-shadow-deployment-deploy"></a>

 O exemplo de código a seguir mostra como você pode implantar programaticamente variantes de sombra. Substitua o {{texto do espaço reservado}} na política de exemplo por suas próprias informações. 

1.  Crie dois modelos do SageMaker AI: um para sua variante de produção e outro para sua variante de sombra. 

   ```
   import boto3
   from sagemaker import get_execution_role, Session
                   
   aws_region = "{{aws-region}}"
   
   boto_session = boto3.Session(region_name=aws_region)
   sagemaker_client = boto_session.client("sagemaker")
   
   role = get_execution_role()
   
   bucket = Session(boto_session).default_bucket()
   
   model_name1 = "{{name-of-your-first-model}}"
   model_name2 = "{{name-of-your-second-model}}"
   
   sagemaker_client.create_model(
       ModelName = model_name1,
       ExecutionRoleArn = role,
       Containers=[
           {
               "Image": "{{ecr-image-uri-for-first-model}}",
               "ModelDataUrl": "{{s3-location-of-trained-first-model}}" 
           }
       ]
   )
   
   sagemaker_client.create_model(
       ModelName = model_name2,
       ExecutionRoleArn = role,
       Containers=[
           {
               "Image": "{{ecr-image-uri-for-second-model}}",
               "ModelDataUrl": "{{s3-location-of-trained-second-model}}" 
           }
       ]
   )
   ```

1.  Crie uma configuração de endpoint. Especifique suas variantes de produção e de sombra na configuração. 

   ```
   endpoint_config_name = {{name-of-your-endpoint-config}}
   
   create_endpoint_config_response = sagemaker_client.create_endpoint_config(
       EndpointConfigName=endpoint_config_name,
       ProductionVariants=[
           {
               "VariantName": {{name-of-your-production-variant}},
               "ModelName": model_name1,
               "InstanceType": {{"ml.m5.xlarge"}},
               "InitialInstanceCount": {{1}},
               "InitialVariantWeight": {{1}},
           }
       ],
       ShadowProductionVariants=[
           {
               "VariantName": {{name-of-your-shadow-variant}},
               "ModelName": model_name2,
               "InstanceType": {{"ml.m5.xlarge"}},
               "InitialInstanceCount": {{1}},
               "InitialVariantWeight": {{1}},
           }
      ]
   )
   ```

1. Crie um endpoint do .

   ```
   create_endpoint_response = sm.create_endpoint(
       EndpointName={{name-of-your-endpoint}},
       EndpointConfigName=endpoint_config_name,
   )
   ```