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.

# Carichi utili per lavori di assistenza in AWS Batch
<a name="service-job-payload"></a>

Quando si inviano lavori di assistenza utilizzando [SubmitServiceJob](https://docs.aws.amazon.com/batch/latest/APIReference/API_SubmitServiceJob.html), si forniscono due parametri chiave che definiscono il lavoro:`serviceJobType`, e`serviceRequestPayload`.
+ `serviceJobType`specifica quale AWS servizio eseguirà il lavoro. Per i lavori di SageMaker formazione, questo valore è`SAGEMAKER_TRAINING`.
+ `serviceRequestPayload`è una stringa con codifica JSON che contiene la richiesta completa che normalmente verrebbe inviata direttamente al servizio di destinazione. Per i lavori di SageMaker formazione, questo payload contiene gli stessi parametri che utilizzeresti con l'API AI. SageMaker [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)

Per un elenco completo di tutti i parametri disponibili e delle relative descrizioni, consulta il riferimento all'[CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API SageMaker AI. Tutti i parametri supportati da `CreateTrainingJob` possono essere inclusi nel payload del job di servizio.

Per esempi di altre configurazioni dei lavori di formazione [APIs, consulta la CLI SDKs e [SageMaker la AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html) Developer](https://docs.aws.amazon.com/sagemaker/latest/dg/api-and-sdk-reference-overview.html) Guide.

Si consiglia di utilizzare PySDK per la creazione di lavori di assistenza perché PySDK dispone di classi e utilità di supporto. [Per un esempio di utilizzo di PySDK, vedi esempi di intelligenza artificiale su. SageMaker ](https://github.com/aws/amazon-sagemaker-examples) GitHub

## Esempio di service job payload
<a name="service-job-payload-example"></a>

L'esempio seguente mostra un semplice payload di lavoro di servizio per un processo di SageMaker formazione che esegue uno script di formazione «hello world»:

Questo payload verrebbe passato come stringa JSON al `serviceRequestPayload` parametro durante la chiamata. `SubmitServiceJob`

```
{
  "TrainingJobName": "my-simple-training-job",
  "RoleArn": "arn:aws:iam::123456789012:role/SageMakerExecutionRole",
  "AlgorithmSpecification": {
    "TrainingInputMode": "File",
    "TrainingImage": "763104351884.dkr.ecr.us-west-2.amazonaws.com/pytorch-training:2.0.0-cpu-py310",
    "ContainerEntrypoint": [
      "echo",
      "hello world"
    ]
  },
  "ResourceConfig": {
    "InstanceType": "ml.c5.xlarge",
    "InstanceCount": 1,
    "VolumeSizeInGB": 1
  },
  "OutputDataConfig": {
    "S3OutputPath": "s3://your-output-bucket/output"
  },
  "StoppingCondition": {
    "MaxRuntimeInSeconds": 30
  }
}
```