Utilizzo di un modello addestrato per generare nuovi artefatti del modello

Utilizzando il comando di trasformazione dei modelli Neptune ML, puoi calcolare gli artefatti del modello come incorporamenti di nodi sui dati del grafo elaborati usando parametri del modello pre-addestrati.

Trasformazione dei modelli per l'inferenza incrementale

Nel flusso di lavoro di inferenza incrementale del modello, dopo aver esportato da Neptune i dati per l'addestramento, puoi avviare un processo di trasformazione del modello usando un comando curl (o awscurl) come il seguente:

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/"
      }'

Puoi quindi passare l'ID di questo processo alla chiamata API di creazione degli endpoint per creare un nuovo endpoint o aggiornarne uno esistente con i nuovi artefatti del modello generati da questo processo. In questo modo, l'endpoint nuovo o aggiornato potrà fornire previsioni del modello per i dati del grafo aggiornati.

Trasformazione dei modelli per qualsiasi processo di addestramento

Puoi anche specificare un parametro trainingJobName per generare gli artefatti del modello per tutti i processi di addestramento SageMaker avviati durante l'addestramento dei modelli Neptune ML. Poiché un processo di addestramento dei modelli Neptune ML può potenzialmente avviare molti processi di addestramento SageMaker, questa opzione ti offre la flessibilità necessaria per creare un endpoint di inferenza basato su uno qualsiasi di questi processi di addestramento SageMaker.

Ad esempio:

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/"
      }'

Se il processo di addestramento originale riguarda un modello personalizzato fornito dall'utente, è necessario includere un oggetto customModelTransformParameters quando si richiama una trasformazione del modello. Per ulteriori informazioni su come implementare e usare un modello personalizzato, consulta Modelli personalizzati in Neptune ML..

Nota

Il comando modeltransform esegue sempre la trasformazione del modello sul miglior processo di addestramento SageMaker per l'addestramento in questione.

Per ulteriori informazioni sui processi di trasformazione dei modelli, consulta Comando modeltransform.