Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Come accedere alla personalizzazione del modello
<a name="customizing-models-access"></a>

Amazon SageMaker AI fornisce più interfacce per la personalizzazione dei modelli. La tabella seguente riassume le tue opzioni: scegli l'interfaccia che meglio si adatta al tuo flusso di lavoro e al tuo livello di controllo.


| Interfaccia | Infrastruttura | Ideale per | Livello di controllo | 
| --- | --- | --- | --- | 
| Interfaccia utente di Studio | [Serverless](customize-model.md) | Sperimentazione rapida, utenti senza codice | Guidato: selezione del modello, della tecnica, caricamento dei dati | 
| PythonSDK (SFTTrainer, ecc.) | [Serverless](customize-model.md) | Pipeline riproducibili, automazione | Programmatico: specifica tutti i parametri nel codice | 
| PythonSDK () ModelTrainer | [SageMaker Lavori di formazione sull'IA ](customizing-models-training-jobs.md) | Istanze personalizzate, configurazioni avanzate | Completo: scegli il tipo di istanza, il numero e l'immagine | 
| Ricette | [Lavori di formazione ](customizing-models-training-jobs.md) \+ [ HyperPod ](customizing-models-hyperpod.md) | Pre-configured migliori pratiche | Recipe-driven — modificare la configurazione YAML | 
| HP-CLI | [HyperPod](customizing-models-hyperpod.md)(EKS) | Kubernetes-squadre native | Completo: invio del Kubernetes lavoro | 
| Agente (competenze di personalizzazione del modello) | [Serverless](customize-model.md) | Flusso di lavoro in linguaggio naturale, esperienza guidata | Conversazionale: descrivi ciò di cui hai bisogno | 

## Interfaccia utente di Studio
<a name="access-studio-ui"></a>

La console SageMaker AI Studio fornisce flussi di lavoro visivi per la personalizzazione del modello senza scrivere codice.

**Personalizza con l'interfaccia utente **  
Il punto di ingresso principale per la personalizzazione dei modelli serverless. Segui un flusso di lavoro guidato:  

1. Seleziona un modello di base dal catalogo

1. Scegli una tecnica di personalizzazione (SFT, DPO, RLVR, RLAIF)

1. Seleziona un tipo di allenamento (o FFT) LoRA

1. Carica o specifica il tuo set di dati di allenamento (percorso S3)

1. Configura gli iperparametri

1. Avvio del job di addestramento
Monitora i progressi in tempo reale con metriche e registri in tempo reale.

**JumpStart hub del modello **  
Sfoglia e scopri i modelli di base disponibili per la personalizzazione. Filtra per fornitore, attività o dimensione del modello. Da una scheda con i dettagli del modello, puoi avviare direttamente la personalizzazione.

**Agent-Guided esperienza **  
Usa Amazon SageMaker AI Skills per un approccio conversazionale alla personalizzazione dei modelli. Descrivi cosa vuoi ottenere in linguaggio naturale e l'agente ti guiderà nella selezione del modello, nella preparazione del set di dati e nella configurazione del lavoro. Per ulteriori informazioni, consulta le competenze degli agenti di personalizzazione dei [ modelli. ](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-agent-skills.html)

## Python SDK V3
<a name="access-python-sdk"></a>

Accesso programmatico per flussi di lavoro serverless e SageMaker AI Training Jobs utilizzando AI Python SDK. [ SageMaker ](https://sagemaker.readthedocs.io/en/stable/model_customization/index.html)

### Formatori serverless
<a name="access-serverless-trainers"></a>

Utilizza corsi di formazione specifici per la tecnica per una personalizzazione completamente gestita:

```
from sagemaker.modules.train import SFTTrainer, DPOTrainer, RLVRTrainer, RLAIFTrainer

# Example: Serverless SFT
trainer = SFTTrainer(
    model_id="meta-textgeneration-llama-3-1-8b-instruct",
    train_data="s3://my-bucket/train.jsonl",
    hyperparameters={
        "max_epochs": 3,
        "learning_rate": 5e-5,
        "lora_rank": 16,
    }
)
trainer.train()
```

### SageMaker Lavori di formazione sull'IA
<a name="access-modeltrainer"></a>

Usalo `ModelTrainer` per il pieno controllo sulla selezione delle istanze:

```
from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)
trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])
```

## Ricette (Training Jobs \+ HyperPod)
<a name="access-launcher"></a>

Esegui ricette di formazione preconfigurate su job [ o [ HyperPod ](customizing-models-hyperpod.md) cluster di ](customizing-models-training-jobs.md) SageMaker AI Training. Le ricette gestiscono automaticamente la configurazione della formazione distribuita, il caricamento dei set di dati e la gestione dei checkpoint.

Le ricette sono disponibili per tutti i modelli e le tecniche supportati. Consulta HyperPod le ricette [ SageMaker AI ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html) per il catalogo completo.

```
git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

# Launch a fine-tuning recipe
python3 launcher/launch.py --recipe recipes_collection/recipes/fine-tuning/llama/sft_lora.yaml
```

## HP-CLI
<a name="access-hp-cli"></a>

Command-line interfaccia per l'invio di lavori di formazione ai cluster HyperPod EKS. HP-CLI si integra con l'orchestrazione Kubernetes basata sui carichi di lavoro per la formazione containerizzata su cluster persistenti.

Per la configurazione e l'utilizzo, consulta Amazon EKS. [ HyperPod ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks.html)