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. # Modello di programmazione per Amazon SageMaker AI Eseguire chiamate API direttamente dal codice è una procedura complessa e richiede di scrivere codice per autenticare le richieste. Amazon SageMaker AI offre le seguenti alternative: + **Usa la console SageMaker AI**: con la console non scrivi alcun codice. Utilizzi l'interfaccia della console per iniziare l’addestramento del modello o distribuire un modello. La console è ideale per processi semplici, dove utilizzi un algoritmo di addestramento integrato e non hai bisogno di preelaborare i dati di addestramento.   + **Modifica l'esempio di notebook Jupyter: SageMaker AI fornisce diversi notebook** Jupyter che addestrano e implementano modelli utilizzando algoritmi e set di dati specifici. Inizia con un notebook che ha un algoritmo idoneo e modificalo per supportare la tua origine dati e le tue esigenze specifiche.   + **Scrivi codice di addestramento e inferenza dei modelli partendo da zero**: SageMaker AI fornisce più linguaggi AWS SDK (elencati nella panoramica) e Amazon [Python SDK, una libreria SageMaker Python](https://sagemaker.readthedocs.io/en/stable) di alto livello che puoi usare nel tuo codice per avviare lavori di formazione dei modelli e distribuire i modelli risultanti.   + ** SageMaker Python SDK: questa libreria Python** semplifica l'addestramento e l'implementazione dei modelli. Oltre ad autenticare le tue richieste, la libreria estrae specifiche della piattaforma fornendo metodi semplici e parametri predefiniti. Esempio:   + Per distribuire il tuo modello, chiami solo il metodo `deploy()`. Il metodo crea un artefatto del modello SageMaker AI, una configurazione dell'endpoint, quindi distribuisce il modello su un endpoint.   + Se utilizzi uno script di framework personalizzato per l’addestramento del modello, devi chiamare il metodo `fit()`. Il metodo crea un file .gzip dei tuoi script, lo carica in un percorso Amazon S3 e lo esegue per l'addestramento del modello e altre attività. Per ulteriori informazioni, consulta [Framework e linguaggi di machine learning](frameworks.md).   + Per impostare i valori predefiniti per le chiamate SageMaker API effettuate da AI SageMaker Python SDK, si utilizza un dizionario di configurazione predefinito. Per ulteriori informazioni, consulta [Configurazione e utilizzo dei valori predefiniti con Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk).   + **I AWS SDKs — I** metodi di SDKs fornitura che corrispondono all'API (vedi). SageMaker [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Operations.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Operations.html) Utilizzalo SDKs per avviare in modo programmatico un processo di formazione sui modelli e ospitare il modello nell' SageMaker intelligenza artificiale. I client SDK gestiscono l'autenticazione per te, quindi non devi scrivere codice di autenticazione. Sono disponibili in diverse piattaforme e linguaggi. Per ulteriori informazioni, consulta l'elenco precedente nella panoramica.   In[Guida alla configurazione con Amazon SageMaker AI](gs.md), si addestra e si implementa un modello utilizzando un algoritmo fornito dall'intelligenza artificiale. SageMaker Questo esercizio mostra come utilizzare entrambe le librerie. Per ulteriori informazioni, consulta [Guida alla configurazione con Amazon SageMaker AI](gs.md).   + **Integra l' SageMaker intelligenza artificiale nel tuo flusso di lavoro di Apache Spark**: l'SageMaker IA fornisce una libreria per richiamarla APIs da Apache Spark. Con essa, puoi utilizzare stimatori SageMaker basati sull'intelligenza artificiale in una pipeline Apache Spark. Per ulteriori informazioni, consulta [Apache Spark con Amazon AI SageMaker](apache-spark.md).