Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Infrastrukturoptionen
<a name="customizing-models-infrastructure"></a>

Amazon SageMaker AI bietet drei Infrastrukturoptionen für die Modellanpassung. Wählen Sie basierend auf Ihren Anforderungen in Bezug auf Steuerung, Skalierung und Kapazitätszugriff. Wenn Sie beispielsweise Rechenkapazität über flexible [ SageMaker AI-Trainingspläne reserviert haben](https://docs.aws.amazon.com/sagemaker/latest/dg/reserve-capacity-with-training-plans.html), können Sie die Anpassungsrezepte verwenden, um Anpassungsaufträge auf Ihrer reservierten Kapazität auszuführen. Der Unterschied besteht darin, wie die Rechenressourcen verwaltet werden.

**Rezepte ** sind vorkonfigurierte Trainingskonfigurationen, die sowohl mit SageMaker AI-Trainingsjobs als auch funktionieren. HyperPod Sie automatisieren das Laden von Datensätzen, das verteilte Training und die Checkpoint-Verwaltung. [SageMaker Rezepte finden Sie ](https://github.com/aws/sagemaker-hyperpod-recipes) auf der GitHub Website unterGitHub.


| Option | Darum geht es | Schnittstellen | Am besten geeignet für | 
| --- | --- | --- | --- | 
| [Serverlose Modellanpassung](customize-model.md) | Vollständig verwaltet, keine Instanzauswahl. Infrastruktur wird automatisch bereitgestellt und freigegeben. | Studio-Benutzeroberfläche, Python SDK (SftTrainer, DPOTrainer usw.) | Schnelles Experimentieren, Produktionsjobs ohne Betriebsaufwand | 
| [SageMaker Jobs im Bereich KI-Ausbildung](customizing-models-training-jobs.md) | Kurzlebige Jobs, bei denen Sie den Instanztyp und die Anzahl auswählen. Instanzen, die nach dem Training veröffentlicht wurden. | Rezepte, Python SDK (ModelTrainer) | Benutzerdefinierte Instanzkonfigurationen, erweiterte verteilte Setups | 
| [HyperPod](customizing-models-hyperpod.md) | Persistente Cluster mit automatischer Fehlererkennung und -wiederherstellung. Cluster bleiben auftragsübergreifend verfügbar. | Rezepte, HP-CLI | Large-scale Schulung, Jobs mit langer Laufzeit, Workflows mit mehreren Jobs |