Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Options d'infrastructure
Amazon SageMaker AI propose trois options d'infrastructure pour la personnalisation des modèles. Choisissez en fonction de vos besoins en matière de contrôle, d'évolutivité et d'accès aux capacités. Par exemple, si vous avez réservé une capacité de calcul via des plans de formation flexibles d'SageMaker IA, vous pouvez utiliser les recettes de personnalisation pour exécuter des tâches de personnalisation sur votre capacité réservée. La différence réside dans la façon dont les ressources de calcul sont gérées.
Les recettes sont des configurations d'entraînement préconfigurées qui fonctionnent à la fois avec SageMaker AI Training Jobs et HyperPod. Ils automatisent le chargement des ensembles de données, la formation distribuée et la gestion des points de contrôle. Voir les SageMaker recettes
| Option | Description | Interfaces | Idéal pour |
|---|---|---|---|
| Personnalisation des modèles sans serveur | Entièrement géré, aucune instance sélectionnée. Infrastructure provisionnée et mise en service automatiquement. | Interface utilisateur de Studio, Python SDK (SFTtrainer, DPOTrainer, etc.) | Expérimentation rapide, tâches de production sans frais d'exploitation |
| SageMaker Emplois de formation en IA | Tâches éphémères dans lesquelles vous sélectionnez le type et le nombre d'instances. Instances publiées après la formation. | Recettes, Python SDK () ModelTrainer | Configurations d'instance personnalisées, configurations distribuées avancées |
| HyperPod | Clusters persistants avec détection automatique des pannes et restauration. Les clusters restent disponibles pour tous les emplois. | recettes, HP-CLI | Large-scale formation, emplois de longue durée, flux de travail multitâches |
