本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 了解機器學習產品
<a name="ml-overview"></a>

 AWS Marketplace 支援兩種使用 Amazon SageMaker AI 的機器學習產品類型。模型套件產品和演算法產品這兩種類型都會產生可部署的推論模型，以進行預測。

## SageMaker AI 模型套件
<a name="ml-amazon-sagemaker-model-package"></a>

 [ Amazon SageMaker AI 模型套件](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-marketplace.html#sagemaker-mkt-model-package)產品包含預先訓練的模型。預先訓練的模型可以部署在 SageMaker AI 中，以即時或批次進行推論或預測。如果有，此產品包含訓練過的推論元件，其中包含模型成品。身為賣方，您可以使用 SageMaker AI 訓練模型，或自攜模型。

## SageMaker AI 演算法
<a name="ml-amazon-sagemaker-algorithm"></a>

 買方可以使用 [SageMaker AI 演算法](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-marketplace.html#sagemaker-mkt-algorithm)產品來執行完整的機器學習工作負載。演算法產品有兩個邏輯元件：訓練和推論。在 SageMaker AI 中，買方會使用自己的資料集，以您的訓練元件建立訓練任務。當訓練元件中的演算法完成時，會產生機器學習模型的模型成品。SageMaker AI 會將模型成品儲存在買方的 Amazon Simple Storage Service (Amazon S3) 儲存貯體中。在 SageMaker AI 中，買方接著可以部署您的推論元件以及這些產生的模型成品，以即時或批次執行推論 （或預測）。

## 部署推論模型
<a name="ml-deploying-an-inference-model"></a>

 無論是從模型套件或演算法建立推論 模型，有兩種方法可以部署它們：
+  **端點**：此方法使用 SageMaker AI 部署模型並建立 API 端點。買方可以使用此端點做為後端服務的一部分，為其應用程式提供支援。將資料傳送至端點時，SageMaker AI 會將資料傳遞至模型容器，並在 API 回應中傳回結果。端點和容器會持續執行，直到買方停止為止。
**注意**  
 在 中 AWS Marketplace，端點方法稱為*即時推論*，而在 SageMaker AI 文件中，它稱為*託管服務*。如需詳細資訊，請參閱[在 Amazon SageMaker AI 中部署模型](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-deployment.html)。
+  **批次轉換任務** – 在此方法中，買方將資料集存放在 Amazon S3 中以進行推論。當批次轉換任務開始時，SageMaker AI 部署模型、將資料從 S3 儲存貯體傳遞至模型的容器，然後將結果傳回至 Amazon S3 儲存貯體。當任務完成時，SageMaker AI 會停止任務。如需詳細資訊，請參閱[使用批次轉換](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html)。
**注意**  
 這兩種方法對模型都是透明的，因為 SageMaker AI 會將資料傳遞給模型，並將結果傳回給買方。