Diese Seite wurde von der Cloud Translation API übersetzt.

Modell auf einem Endpunkt bereitstellen

Sie müssen ein Modell auf einem Endpunkt bereitstellen, bevor es für Onlinevorhersagen verwendet werden kann. Durch die Bereitstellung eines Modells werden physische Ressourcen zugeordnet, um Onlinevorhersagen mit niedriger Latenz zu ermöglichen.

Auf dieser Seite wird beschrieben, wie Sie ein Modell mithilfe von Onlinevorhersagen auf einem Endpunkt bereitstellen.

Hinweise

Bevor Sie Ihr Modell an einem Endpunkt bereitstellen, müssen Sie Modellartefakte für die Vorhersage exportieren und alle Voraussetzungen auf dieser Seite erfüllen.

Ressourcenpool erstellen

Mit einer benutzerdefinierten ResourcePool-Ressource können Sie das Verhalten Ihres Modells genau steuern. Sie können Einstellungen wie die folgenden definieren:

Autoscaling-Konfigurationen.
Der Maschinentyp, der die CPU- und Arbeitsspeicheranforderungen definiert.
Beschleunigeroptionen wie GPU-Ressourcen.

Der Maschinentyp ist für die Anfrage zur Knotenpoolspezifikation, die Sie zum Erstellen des Vorhersageclusters senden, unerlässlich.

Für den Ressourcenpool des bereitgestellten Modells wird die GPU-Nutzung durch die Anzahl und den Typ der Beschleuniger bestimmt. Der Maschinentyp bestimmt nur die angeforderten CPU- und Arbeitsspeicherressourcen. Wenn Sie GPU-Beschleuniger in die ResourcePool-Spezifikation aufnehmen, steuert das Feld machineType die CPU- und Arbeitsspeicheranforderungen für das Modell, während das Feld acceleratorType die GPU steuert. Außerdem steuert das Feld acceleratorCount die Anzahl der GPU-Slices.

So erstellen Sie eine benutzerdefinierte ResourcePool-Ressource:

Erstellen Sie eine YAML-Datei, in der die benutzerdefinierte Ressource ResourcePool definiert wird. Die folgenden Beispiele enthalten YAML-Dateien für Ressourcenpools mit GPU-Beschleunigern (GPU-basierte Modelle) und ohne GPU-Beschleuniger (CPU-basierte Modelle):

GPU-basierte Modelle

  apiVersion: prediction.aiplatform.gdc.goog/v1
  kind: ResourcePool
  metadata:
    name: RESOURCE_POOL_NAME
    namespace: PROJECT_NAMESPACE
  spec:
    resourcePoolID: RESOURCE_POOL_NAME
    enableContainerLogging: false
    dedicatedResources:
      machineSpec:
        # The system adds computing overhead to the nodes for mandatory components.
        # Choose a machineType value that allocates fewer CPU and memory resources
        # than those used by the nodes in the prediction cluster.
        machineType: a2-highgpu-1g-gdc
        acceleratorType: nvidia-a100-80gb
        # The accelerator count is a slice of the requested virtualized GPUs.
        # The value corresponds to one-seventh of 80 GB of GPUs for each count.
        acceleratorCount: 2
      autoscaling:
        minReplica: 2
        maxReplica: 10

CPU-basierte Modelle

  apiVersion: prediction.aiplatform.gdc.goog/v1
  kind: ResourcePool
  metadata:
    name: RESOURCE_POOL_NAME
    namespace: PROJECT_NAMESPACE
  spec:
    resourcePoolID: RESOURCE_POOL_NAME
    enableContainerLogging: false
    dedicatedResources:
      machineSpec:
        # The system adds computing overhead to the nodes for mandatory components.
        # Choose a machineType value that allocates fewer CPU and memory resources
        # than those used by the nodes in the prediction cluster.
        machineType: n2-highcpu-8-gdc
      autoscaling:
        minReplica: 2
        maxReplica: 10

Ersetzen Sie Folgendes:

RESOURCE_POOL_NAME: der Name, den Sie der ResourcePool-Definitionsdatei geben möchten.
PROJECT_NAMESPACE: der Name des Projektnamespace, der dem Vorhersagecluster zugeordnet ist.

Ändern Sie die Werte in den dedicatedResources-Feldern entsprechend Ihrem Ressourcenbedarf und den verfügbaren Ressourcen in Ihrem Vorhersagecluster.

Wenden Sie die Definitionsdatei ResourcePool auf den Vorhersagecluster an:
```
kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG apply -f RESOURCE_POOL_NAME.yaml
```
Ersetzen Sie Folgendes:
- PREDICTION_CLUSTER_KUBECONFIG: Der Pfad zur kubeconfig-Datei im Vorhersagecluster.
- RESOURCE_POOL_NAME: der Name der ResourcePool-Definitionsdatei.

Wenn Sie die benutzerdefinierte Ressource ResourcePool erstellen, werden die YAML-Datei von der Kubernetes API und dem Webhook-Dienst validiert. Anschließend wird gemeldet, ob der Vorgang erfolgreich war oder nicht. Der Vorhersageoperator stellt Ihre Ressourcen aus dem Ressourcenpool bereit und reserviert sie, wenn Sie Ihre Modelle auf einem Endpunkt bereitstellen.

Modell auf einem Endpunkt bereitstellen

Wenn Sie einen Ressourcenpool haben, können Sie mehrere Modelle auf einem Endpunkt bereitstellen und ein Modell auf mehreren Endpunkten bereitstellen. Stellen Sie ein Vorhersagemodell für unterstützte Container bereit. Wählen Sie je nachdem, ob der Endpunkt bereits vorhanden ist oder nicht, eine der folgenden beiden Methoden aus:

Modell auf einem neuen Endpunkt bereitstellen
Modell auf einem vorhandenen Endpunkt bereitstellen

Modell auf einem neuen Endpunkt bereitstellen

So stellen Sie ein Vorhersagemodell auf einem neuen Endpunkt bereit:

Erstellen Sie eine YAML-Datei, in der eine benutzerdefinierte Ressource vom Typ DeployedModel definiert wird:

TensorFlow

Die folgende YAML-Datei zeigt eine Beispielkonfiguration für ein TensorFlow-Modell:

apiVersion: prediction.aiplatform.gdc.goog/v1
kind: DeployedModel
metadata:
  name: DEPLOYED_MODEL_NAME
  namespace: PROJECT_NAMESPACE
spec:
  # The endpoint path structure is endpoints/<endpoint-id>
  endpointPath: endpoints/PREDICTION_ENDPOINT
  modelSpec:
    # The artifactLocation field must be the s3 path to the folder that
    # contains the various model versions.
    # For example, s3://my-prediction-bucket/tensorflow
    artifactLocation: s3://PATH_TO_MODEL
    # The value in the id field must be unique to each model.
    id: img-detection-model
    modelDisplayName: my_img_detection_model
    # The model resource name structure is models/<model-id>/<model-version-id>
    modelResourceName: models/img-detection-model/1
    # The model version ID must match the name of the first folder in
    # the artifactLocation bucket, inside the 'tensorflow' folder.
    # For example, if the bucket path is
    # s3://my-prediction-bucket/tensorflow/1/,
    # then the value for the model version ID is "1".
    modelVersionID: "1"
    modelContainerSpec:
      args:
      - --model_config_file=/models/models.config
      - --rest_api_port=8080
      - --port=8500
      - --file_system_poll_wait_seconds=30
      - --model_config_file_poll_wait_seconds=30
      command:
      - /bin/tensorflow_model_server
      # The image URI field must contain one of the following values:
      # For CPU-based models: gcr.io/aiml/prediction/containers/tf2-cpu.2-14:latest
      # For GPU-based models: gcr.io/aiml/prediction/containers/tf2-gpu.2-14:latest
      imageURI: gcr.io/aiml/prediction/containers/tf2-gpu.2-14:latest
      ports:
      - 8080
      grpcPorts:
      - 8500
  resourcePoolRef:
    kind: ResourcePool
    name: RESOURCE_POOL_NAME
    namespace: PROJECT_NAMESPACE

Ersetzen Sie Folgendes:

DEPLOYED_MODEL_NAME: der Name, den Sie der DeployedModel-Definitionsdatei geben möchten.
PROJECT_NAMESPACE: der Name des Projektnamespace, der dem Vorhersagecluster zugeordnet ist.
PREDICTION_ENDPOINT: der Name, den Sie dem neuen Endpunkt geben möchten, z. B. my-img-prediction-endpoint.
PATH_TO_MODEL: Der Pfad zu Ihrem Modell im Speicher-Bucket.
RESOURCE_POOL_NAME: Der Name, den Sie der ResourcePool-Definitionsdatei gegeben haben, als Sie einen Ressourcenpool zum Hosten des Modells erstellt haben.

Ändern Sie die Werte in den verbleibenden Feldern entsprechend Ihrem Vorhersagemodell.

PyTorch

Die folgende YAML-Datei zeigt eine Beispielkonfiguration für ein PyTorch-Modell:

apiVersion: prediction.aiplatform.gdc.goog/v1
kind: DeployedModel
metadata:
  name: DEPLOYED_MODEL_NAME
  namespace: PROJECT_NAMESPACE
spec:
  endpointPath: PREDICTION_ENDPOINT
  endpointInfo:
    id: PREDICTION_ENDPOINT
  modelSpec:
    # The artifactLocation field must be the s3 path to the folder that
    # contains the various model versions.
    # For example, s3://my-prediction-bucket/pytorch
    artifactLocation: s3://PATH_TO_MODEL
    # The value in the id field must be unique to each model.
    id: "pytorch"
    modelDisplayName: my-pytorch-model
    # The model resource name structure is models/<model-id>/<model-version-id>
    modelResourceName: models/pytorch/1
    modelVersionID: "1"
    modelContainerSpec:
      # The image URI field must contain one of the following values:
      # For CPU-based models: gcr.io/aiml/prediction/containers/pytorch-cpu.2-4:latest
      # For GPU-based models: gcr.io/aiml/prediction/containers/pytorch-gpu.2-4:latest
      imageURI: gcr.io/aiml/prediction/containers/pytorch-cpu.2-4:latest
      ports:
      - 8080
      grpcPorts:
      - 7070
  sharesResourcePool: false
  resourcePoolRef:
    kind: ResourcePool
    name: RESOURCE_POOL_NAME
    namespace: PROJECT_NAMESPACE

Ersetzen Sie Folgendes:

DEPLOYED_MODEL_NAME: der Name, den Sie der DeployedModel-Definitionsdatei geben möchten.
PROJECT_NAMESPACE: der Name des Projektnamespace, der dem Vorhersagecluster zugeordnet ist.
PREDICTION_ENDPOINT: der Name, den Sie dem neuen Endpunkt geben möchten, z. B. my-img-prediction-endpoint.
PATH_TO_MODEL: Der Pfad zu Ihrem Modell im Speicher-Bucket.
RESOURCE_POOL_NAME: Der Name, den Sie der ResourcePool-Definitionsdatei gegeben haben, als Sie einen Ressourcenpool zum Hosten des Modells erstellt haben.

Ändern Sie die Werte in den verbleibenden Feldern entsprechend Ihrem Vorhersagemodell.

Wenden Sie die Definitionsdatei DeployedModel auf den Vorhersagecluster an:
```
kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG apply -f DEPLOYED_MODEL_NAME.yaml
```
Ersetzen Sie Folgendes:
- PREDICTION_CLUSTER_KUBECONFIG: Der Pfad zur kubeconfig-Datei im Vorhersagecluster.
- DEPLOYED_MODEL_NAME: der Name der DeployedModel-Definitionsdatei.
Wenn Sie die benutzerdefinierte Ressource DeployedModel erstellen, werden die YAML-Datei von der Kubernetes API und dem Webhook-Dienst validiert und es wird gemeldet, ob die Validierung erfolgreich war oder fehlgeschlagen ist. Der Vorhersageoperator gleicht die benutzerdefinierte Ressource DeployedModel ab und stellt sie im Vorhersagecluster bereit.

Tipp :Mit dem Befehl kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG get -f DEPLOYED_MODEL_NAME.yaml -o jsonpath='{.status.primaryCondition}' können Sie den Status der benutzerdefinierten Ressource DeployedModel prüfen und dafür sorgen, dass sie bereit ist, Vorhersageanfragen anzunehmen. Die DeployedModel muss sich im Status „Bereit“ befinden.
Erstellen Sie eine YAML-Datei, in der eine benutzerdefinierte Ressource vom Typ Endpoint definiert wird.

Die folgende YAML-Datei zeigt eine Beispielkonfiguration:
```
apiVersion: aiplatform.gdc.goog/v1
kind: Endpoint
metadata:
  name: ENDPOINT_NAME
  namespace: PROJECT_NAMESPACE
spec:
  createDns: true
  id: PREDICTION_ENDPOINT
  destinations:
    - serviceRef:
        kind: DeployedModel
        name: DEPLOYED_MODEL_NAME
        namespace: PROJECT_NAMESPACE
      trafficPercentage: 50
      grpcPort: 8501
      httpPort: 8081
    - serviceRef:
        kind: DeployedModel
        name: DEPLOYED_MODEL_NAME_2
        namespace: PROJECT_NAMESPACE
      trafficPercentage: 50
      grpcPort: 8501
      httpPort: 8081
```
Ersetzen Sie Folgendes:
- ENDPOINT_NAME: Der Name, den Sie der Endpoint-Definitionsdatei geben möchten.
- PROJECT_NAMESPACE: der Name des Projektnamespace, der dem Vorhersagecluster zugeordnet ist.
- PREDICTION_ENDPOINT: der Name des neuen Endpunkts. Sie haben diesen Namen in der Definitionsdatei DeployedModel definiert.
- DEPLOYED_MODEL_NAME: der Name, den Sie der DeployedModel-Definitionsdatei gegeben haben.
Sie können ein oder mehrere serviceRef-Ziele haben. Wenn Sie ein zweites serviceRef-Objekt haben, fügen Sie es in der YAML-Datei im Feld destinations hinzu und ersetzen Sie DEPLOYED_MODEL_NAME_2 durch den Namen, den Sie der zweiten DeployedModel-Definitionsdatei gegeben haben. Fügen Sie nach Bedarf serviceRef-Objekte hinzu oder entfernen Sie sie, je nachdem, wie viele Modelle Sie bereitstellen.

Legen Sie die trafficPercentage-Felder entsprechend der gewünschten Aufteilung des Traffics zwischen den Modellen an diesem Endpunkt fest. Ändern Sie die Werte in den verbleibenden Feldern entsprechend Ihren Endpunktkonfigurationen.
Wenden Sie die Definitionsdatei Endpoint auf den Vorhersagecluster an:
```
kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG apply -f ENDPOINT_NAME.yaml
```
Ersetzen Sie ENDPOINT_NAME durch den Namen der Endpoint-Definitionsdatei.

Führen Sie den folgenden Befehl aus, um den Endpunkt-URL-Pfad für das Vorhersagemodell abzurufen:

kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG get endpoint PREDICTION_ENDPOINT -n PROJECT_NAMESPACE -o jsonpath='{.status.endpointFQDN}'

Ersetzen Sie Folgendes:

PREDICTION_CLUSTER_KUBECONFIG: der Pfad zur kubeconfig-Datei im Vorhersagecluster.
PREDICTION_ENDPOINT: der Name des neuen Endpunkts.
PROJECT_NAMESPACE: der Name des Namespace des Vorhersageprojekts.

Modell auf einem vorhandenen Endpunkt bereitstellen

Sie können ein Modell nur auf einem vorhandenen Endpunkt bereitstellen, wenn Sie zuvor ein anderes Modell auf diesem Endpunkt bereitgestellt haben, als er neu war. Dieser vorherige Schritt ist erforderlich, damit das System den Endpunkt erstellen kann.

So stellen Sie ein Vorhersagemodell auf einem vorhandenen Endpunkt bereit:

Erstellen Sie eine YAML-Datei, in der eine benutzerdefinierte Ressource vom Typ DeployedModel definiert wird.

Die folgende YAML-Datei zeigt eine Beispielkonfiguration:

apiVersion: prediction.aiplatform.gdc.goog/v1
kind: DeployedModel
metadata:
  name: DEPLOYED_MODEL_NAME
  namespace: PROJECT_NAMESPACE
spec:
  # The endpoint path structure is endpoints/<endpoint-id>
  endpointPath: endpoints/PREDICTION_ENDPOINT
  modelSpec:
    # The artifactLocation field must be the s3 path to the folder that
    # contains the various model versions.
    # For example, s3://my-prediction-bucket/tensorflow
    artifactLocation: s3://PATH_TO_MODEL
    # The value in the id field must be unique to each model.
    id: img-detection-model-v2
    modelDisplayName: my_img_detection_model
    # The model resource name structure is models/<model-id>/<model-version-id>
    modelResourceName: models/img-detection-model/2
    # The model version ID must match the name of the first folder in
    # the artifactLocation bucket,
    # inside the 'tensorflow' folder.
    # For example, if the bucket path is
    # s3://my-prediction-bucket/tensorflow/2/,
    # then the value for the model version ID is "2".
    modelVersionID: "2"
    modelContainerSpec:
      args:
      - --model_config_file=/models/models.config
      - --rest_api_port=8080
      - --port=8500
      - --file_system_poll_wait_seconds=30
      - --model_config_file_poll_wait_seconds=30
      command:
      - /bin/tensorflow_model_server
      # The image URI field must contain one of the following values:
      # For CPU-based models: gcr.io/aiml/prediction/containers/tf2-cpu.2-6:latest
      # For GPU-based models: gcr.io/aiml/prediction/containers/tf2-gpu.2-6:latest
      imageURI: gcr.io/aiml/prediction/containers/tf2-gpu.2-6:latest
      ports:
      - 8080
      grpcPorts:
      - 8500
  resourcePoolRef:
    kind: ResourcePool
    name: RESOURCE_POOL_NAME
    namespace: PROJECT_NAMESPACE

Ersetzen Sie Folgendes:

DEPLOYED_MODEL_NAME: der Name, den Sie der DeployedModel-Definitionsdatei geben möchten.
PROJECT_NAMESPACE: der Name des Projektnamespace, der dem Vorhersagecluster zugeordnet ist.
PREDICTION_ENDPOINT: der Name des vorhandenen Endpunkts, z. B. my-img-prediction-endpoint.
PATH_TO_MODEL: Der Pfad zu Ihrem Modell im Speicher-Bucket.
RESOURCE_POOL_NAME: Der Name, den Sie der ResourcePool-Definitionsdatei gegeben haben, als Sie einen Ressourcenpool zum Hosten des Modells erstellt haben.

Ändern Sie die Werte in den verbleibenden Feldern entsprechend Ihrem Vorhersagemodell.

Wenden Sie die Definitionsdatei DeployedModel auf den Vorhersagecluster an:
```
kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG apply -f DEPLOYED_MODEL_NAME.yaml
```
Ersetzen Sie Folgendes:
- PREDICTION_CLUSTER_KUBECONFIG: Der Pfad zur kubeconfig-Datei im Vorhersagecluster.
- DEPLOYED_MODEL_NAME: der Name der DeployedModel-Definitionsdatei.
Wenn Sie die benutzerdefinierte Ressource DeployedModel erstellen, werden die YAML-Datei von der Kubernetes API und dem Webhook-Dienst validiert und es wird gemeldet, ob die Validierung erfolgreich war oder fehlgeschlagen ist. Der Vorhersageoperator gleicht die benutzerdefinierte Ressource DeployedModel ab und stellt sie im Vorhersagecluster bereit.

Tipp :Mit dem Befehl kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG get -f DEPLOYED_MODEL_NAME.yaml -o jsonpath='{.status.primaryCondition}' können Sie den Status der benutzerdefinierten Ressource DeployedModel prüfen und dafür sorgen, dass sie bereit ist, Vorhersageanfragen anzunehmen. Die DeployedModel muss sich im Status „Bereit“ befinden.
Details der vorhandenen benutzerdefinierten Ressource Endpoint ansehen:
```
kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG describe -f ENDPOINT_NAME.yaml
```
Ersetzen Sie ENDPOINT_NAME durch den Namen der Endpoint-Definitionsdatei.
Aktualisieren Sie die YAML-Datei der benutzerdefinierten Ressourcendefinition Endpoint, indem Sie dem Feld destinations ein neues serviceRef-Objekt hinzufügen. Fügen Sie in das neue Objekt den entsprechenden Dienstnamen basierend auf der neu erstellten benutzerdefinierten Ressource DeployedModel ein.

Die folgende YAML-Datei zeigt eine Beispielkonfiguration:
```
apiVersion: aiplatform.gdc.goog/v1
kind: Endpoint
metadata:
  name: ENDPOINT_NAME
  namespace: PROJECT_NAMESPACE
spec:
  createDns: true
  id: PREDICTION_ENDPOINT
  destinations:
    - serviceRef:
        kind: DeployedModel
        name: DEPLOYED_MODEL_NAME
        namespace: PROJECT_NAMESPACE
      trafficPercentage: 40
      grpcPort: 8501
      httpPort: 8081
    - serviceRef:
        kind: DeployedModel
        name: DEPLOYED_MODEL_NAME_2
        namespace: PROJECT_NAMESPACE
      trafficPercentage: 50
      grpcPort: 8501
      httpPort: 8081
    - serviceRef:
        kind: DeployedModel
        name: DEPLOYED_MODEL_NAME_3
        namespace: PROJECT_NAMESPACE
      trafficPercentage: 10
      grpcPort: 8501
      httpPort: 8081
```
Ersetzen Sie Folgendes:
- ENDPOINT_NAME: der Name der vorhandenen Endpoint-Definitionsdatei.
- PROJECT_NAMESPACE: der Name des Projektnamespace, der dem Vorhersagecluster zugeordnet ist.
- PREDICTION_ENDPOINT: der Name des vorhandenen Endpunkts. Sie haben in der Definitionsdatei DeployedModel auf diesen Namen verwiesen.
- DEPLOYED_MODEL_NAME: der Name einer zuvor erstellten DeployedModel-Definitionsdatei.
- DEPLOYED_MODEL_NAME_2: der Name, den Sie der neu erstellten DeployedModel-Definitionsdatei gegeben haben.
Sie können ein oder mehrere serviceRef-Ziele haben. Wenn Sie ein drittes serviceRef-Objekt haben, fügen Sie es in der YAML-Datei im Feld destinations hinzu und ersetzen Sie DEPLOYED_MODEL_NAME_3 durch den Namen, den Sie der dritten DeployedModel-Definitionsdatei gegeben haben, die Sie erstellt haben. Fügen Sie nach Bedarf serviceRef-Objekte hinzu oder entfernen Sie sie, je nachdem, wie viele Modelle Sie bereitstellen.

Legen Sie die trafficPercentage-Felder entsprechend der gewünschten Aufteilung des Traffics zwischen den Modellen dieses Endpunkts fest. Ändern Sie die Werte in den verbleibenden Feldern entsprechend Ihren Endpunktkonfigurationen.
Wenden Sie die Definitionsdatei Endpoint auf den Vorhersagecluster an:
```
kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG apply -f ENDPOINT_NAME.yaml
```
Ersetzen Sie ENDPOINT_NAME durch den Namen der Endpoint-Definitionsdatei.

Führen Sie den folgenden Befehl aus, um den Endpunkt-URL-Pfad für das Vorhersagemodell abzurufen:

kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG get endpoint PREDICTION_ENDPOINT -n PROJECT_NAMESPACE -o jsonpath='{.status.endpointFQDN}'

Ersetzen Sie Folgendes:

PREDICTION_CLUSTER_KUBECONFIG: der Pfad zur kubeconfig-Datei im Vorhersagecluster.
PREDICTION_ENDPOINT: der Name des Endpunkts.
PROJECT_NAMESPACE: der Name des Namespace des Vorhersageprojekts.

Modell auf einem Endpunkt bereitstellen Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Hinweise

Ressourcenpool erstellen

GPU-basierte Modelle

CPU-basierte Modelle

Modell auf einem Endpunkt bereitstellen

Modell auf einem neuen Endpunkt bereitstellen

TensorFlow

PyTorch

Modell auf einem vorhandenen Endpunkt bereitstellen

Modell auf einem Endpunkt bereitstellen