翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# モデルのカスタマイズにアクセスする方法
<a name="customizing-models-access"></a>

Amazon SageMaker AI は、モデルをカスタマイズするための複数のインターフェイスを提供します。次の表は、ワークフローとコントロールレベルに最適なインターフェイスを選択するオプションをまとめたものです。


| インターフェイス | インフラストラクチャ | 次の用途に適しています | コントロールレベル | 
| --- | --- | --- | --- | 
| Studio UI | [サーバーレス](customize-model.md) | クイック実験、ノーコードユーザー | ガイド付き — モデル、手法の選択、データのアップロード | 
| Python SDK ( SFTTrainerなど) | [サーバーレス](customize-model.md) | 再現可能なパイプライン、自動化 | プログラムによる — コード内のすべてのパラメータを指定する | 
| Python SDK (ModelTrainer) | [SageMaker AI トレーニングジョブ](customizing-models-training-jobs.md) | カスタムインスタンス、詳細設定 | Full — インスタンスタイプ、カウント、イメージを選択します。 | 
| recipe | [トレーニングジョブ](customizing-models-training-jobs.md) \+ [HyperPod](customizing-models-hyperpod.md) | 事前設定されたベストプラクティス | レシピ駆動型 — YAML 設定の変更 | 
| HP-CLI | [HyperPod](customizing-models-hyperpod.md) (EKS) | Kubernetes- ネイティブチーム | フル — Kubernetesジョブ送信 | 
| エージェント (モデルカスタマイズスキル) | [サーバーレス](customize-model.md) | 自然言語ワークフロー、ガイド付きエクスペリエンス | 対話型 — 必要なものを記述する | 

## Studio UI
<a name="access-studio-ui"></a>

SageMaker AI Studio コンソールは、コードを記述せずにモデルをカスタマイズするためのビジュアルワークフローを提供します。

**UI でカスタマイズする**  
サーバーレスモデルカスタマイズのプライマリエントリポイント。ガイド付きワークフローについて説明します。  

1. カタログから基盤モデルを選択する

1. カスタマイズ手法 (SFT、DPO、RLVR、RLAIF) を選択する

1. トレーニングタイプを選択する (LoRA または FFT)

1. トレーニングデータセットをアップロードまたは指定する (S3 パス)

1. ハイパーパラメータを設定する

1. トレーニングジョブを起動する
ライブメトリクスとログを使用して、リアルタイムで進行状況をモニタリングします。

**JumpStart モデルハブ**  
カスタマイズ可能な基盤モデルを参照して発見します。プロバイダー、タスク、またはモデルサイズでフィルタリングします。モデル詳細カードから、カスタマイズを直接起動できます。

**エージェントガイドエクスペリエンス**  
Amazon SageMaker AI スキルを使用して、会話型のアプローチでモデルのカスタマイズを行います。自然言語で達成したいことを説明すると、エージェントはモデルの選択、データセットの準備、ジョブ設定をガイドします。詳細については、[「モデルカスタマイズエージェントのスキル](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-agent-skills.html)」を参照してください。

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

SageMaker AI [Python SDK を使用したサーバーレスおよび SageMaker AI ](https://sagemaker.readthedocs.io/en/stable/model_customization/index.html)トレーニングジョブワークフローへのプログラムによるアクセス。

### サーバーレストレーナー
<a name="access-serverless-trainers"></a>

フルマネージド型のカスタマイズには、技術固有のトレーナークラスを使用します。

```
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 AI トレーニングジョブ
<a name="access-modeltrainer"></a>

インスタンスの選択を完全に制御`ModelTrainer`するには、 を使用します。

```
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")
])
```

## レシピ (トレーニングジョブ \+ HyperPod)
<a name="access-launcher"></a>

[SageMaker AI トレーニングジョブまたは HyperPod クラスターで事前設定されたトレーニング](customizing-models-training-jobs.md)レシピを実行します。 [HyperPod](customizing-models-hyperpod.md) レシピは、分散トレーニング設定、データセットのロード、チェックポイント管理を自動的に処理します。

レシピは、サポートされているすべてのモデルと手法で使用できます。カタログの詳細については、[SageMaker AI HyperPod recipes](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html)」を参照してください。

```
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>

HyperPod EKS クラスターにトレーニングジョブを送信するためのコマンドラインインターフェイス。HP-CLI は Kubernetesベースのワークロードオーケストレーションと統合され、永続的クラスターでのコンテナ化されたトレーニングを実現します。

セットアップと使用については、[「Amazon EKS での HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks.html)」を参照してください。