Utilisation d'un modèle entraîné pour générer de nouveaux artefacts de modèle

À l'aide de la commande de transformation de modèle Neptune ML, vous pouvez calculer des artefacts de modèle tels que les intégrations de nœuds sur des données de graphe traitées à l'aide de paramètres de modèle préentraînés.

Transformation de modèle pour une inférence incrémentielle

Dans le flux de travail d'inférence de modèle incrémentielle, après avoir traité les données de graphe mises à jour que vous avez exportées depuis Neptune, vous pouvez démarrer une tâche de transformation de modèle à l'aide d'une commande curl (ou awscurl) comme suit :

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/"
      }'

Vous pouvez ensuite transmettre l'ID de cette tâche à l'appel d'API de création de points de terminaison pour créer un nouveau point de terminaison ou mettre à jour un point de terminaison existant avec les nouveaux artefacts de modèle générés par cette tâche. Cela permet au point de terminaison nouveau ou mis à jour de fournir des prédictions de modèle pour les données de graphe mises à jour.

Transformation de modèle pour n'importe quelle tâche d'entraînement

Vous pouvez également fournir un paramètre trainingJobName pour générer des artefacts de modèle pour l'une quelconque des tâches d'entraînement SageMaker lancées pendant l'entraînement de modèle Neptune ML. Étant donné qu'une tâche d'entraînement de modèle Neptune ML peut potentiellement lancer de nombreuses tâches d'entraînement SageMaker, cela vous donne la possibilité de créer un point de terminaison d'inférence basé sur l'une quelconque de ces tâches d'entraînement SageMaker.

Par exemple :

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 training job)",
        "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/"
      }'

Si la tâche d'entraînement d'origine portait sur un modèle personnalisé fourni par l'utilisateur, vous devez inclure un objet customModelTransformParameters lorsque vous invoquez une transformation de modèle. Consultez Modèles personnalisés dans Neptune ML pour en savoir plus sur la façon d'implémenter et d'utiliser un modèle personnalisé.

Note

La commande modeltransform exécute toujours la transformation de modèle sur la meilleure tâche d'entraînement SageMaker pour cet entraînement.

Consultez Commande modeltransform pour plus d'informations sur les tâches de transformation de modèle.