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. # Utilizzo dei modelli di fondazione in Studio Amazon SageMaker Studio ti consente di perfezionare, distribuire e valutare modelli di JumpStart base disponibili pubblicamente e proprietari direttamente tramite l'interfaccia utente di Studio. **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md). Per iniziare, accedi alla pagina di JumpStart destinazione di Amazon SageMaker Studio. Puoi accedervi dalla **Home page** o dal menu del riquadro a sinistra. Nella pagina di **JumpStart**destinazione, puoi esplorare gli hub di modelli forniti da fornitori di modelli proprietari e disponibili al pubblico e cercare modelli. All’interno di ogni hub di modelli, puoi ordinare i modelli in base a **Più Mi piace**, **Più download** o **Aggiornati di recente** oppure filtrarli per attività. Scegli un modello per visualizzarne la scheda dei dettagli. A seconda dell’opzione disponibile, nella scheda dei dettagli del modello è possibile scegliere **Ottimizza**, **Implementa** o **Valuta** per il modello. Tieni presente che non tutti i modelli sono disponibili per il fine-tuning o la valutazione. Per ulteriori informazioni su come iniziare a usare Amazon SageMaker Studio, consulta[Amazon SageMaker Studio](studio-updated.md). **Topics** + [Fine-tuning di un modello in Studio](jumpstart-foundation-models-use-studio-updated-fine-tune.md) + [Implementazione di un modello in Studio](jumpstart-foundation-models-use-studio-updated-deploy.md) + [Valutazione di un modello in Studio](jumpstart-foundation-models-use-studio-updated-evaluate.md) + [Usa i tuoi SageMaker JumpStart modelli in Amazon Bedrock](jumpstart-foundation-models-use-studio-updated-register-bedrock.md) # Fine-tuning di un modello in Studio Il fine-tuning consente di addestrare un modello preaddestrato su un nuovo set di dati senza eseguire l’addestramento da zero. Questo processo, noto anche come trasferimento dell'apprendimento, può produrre modelli accurati con set di dati più piccoli e tempi di addestramento ridotti. Per perfezionare i modelli di JumpStart base, accedi a una scheda con i dettagli del modello nell'interfaccia utente di Studio. Per ulteriori informazioni su come aprire JumpStart in Studio, consulta. [Apri in Studio JumpStart](studio-jumpstart.md#jumpstart-open-studio) Dopo aver esplorato la scheda dei dettagli del modello che preferisci, scegli **Addestramento** nell’angolo in alto a destra. Tieni presente che il fine-tuning non è disponibile per tutti i modelli. **Importante** Alcuni modelli di fondazione richiedono l’accettazione esplicita di un contratto di licenza con l’utente finale (End User License Agreement, EULA) prima del fine-tuning. Per ulteriori informazioni, consulta [Accettazione dell'EULA in Amazon Studio SageMaker](jumpstart-foundation-models-choose.md#jumpstart-foundation-models-choose-eula-studio). ## Impostazioni del modello Quando si utilizza un modello JumpStart base pre-addestrato in Amazon SageMaker Studio, la **posizione dell'artefatto del modello (URI Amazon S3)** viene popolata per impostazione predefinita. Per modificare l’URI predefinito di Amazon S3, scegli **Inserisci posizione dell’artefatto del modello**. Non tutti i modelli supportano la modifica della posizione degli artefatti del modello. ## Impostazioni dei dati Nel campo **Dati**, indica un punto dell’URI Amazon S3 per la posizione del set di dati di addestramento. I punti dell’URI predefinito di Amazon S3 rimandano a un set di dati di addestramento di esempio. Per modificare l’URI predefinito di Amazon S3, scegli **Inserisci set di dati di addestramento** e modifica l’URI. Assicurati di consultare la scheda dettagliata del modello in Amazon SageMaker Studio per informazioni sulla formattazione dei dati di addestramento. ## Iperparametri È possibile personalizzare gli iperparametri del processo di addestramento utilizzati per ottimizzare il modello. Gli iperparametri disponibili per ogni modello ottimizzabile variano a seconda del modello. I seguenti iperparametri sono comuni tra i modelli: + **Epoche**: un'epoca è un ciclo dell'intero set di dati. Intervalli multipli completano un batch e alla fine più batch completano un'epoca. Vengono eseguite più epoche finché la precisione del modello non raggiunge un livello accettabile o quando il tasso di errore scende al di sotto di un livello accettabile. + **Tasso di apprendimento**: la quantità di valori da modificare tra le epoche. Man mano che il modello viene perfezionato, i pesi interni vengono modificati e i tassi di errore vengono controllati per vedere se il modello migliora. Un tasso di apprendimento tipico è di 0,1 o 0,01, dove 0,01 rappresenta un aggiustamento molto inferiore e potrebbe far sì che l'addestramento richieda molto tempo per convergere, mentre 0,1 è molto più elevato e può causare un superamento dell’addestramento. È uno degli iperparametri principali che si possono modificare per addestrare il modello. Notare che, per i modelli testuali, un tasso di apprendimento molto più basso (5e-5 per BERT) può portare a un modello più accurato. + **Dimensione del batch**: il numero di record del set di dati da selezionare per ogni intervallo da inviare al gruppo GPUs per l'addestramento. Consulta i suggerimenti e le informazioni aggiuntive nella scheda con i dettagli del modello nell’interfaccia utente di Studio per ulteriori informazioni sugli iperparametri specifici del modello che hai scelto. Per ulteriori informazioni sugli iperparametri disponibili, consulta [iperparametri comunemente supportati per il fine-tuning](jumpstart-foundation-models-fine-tuning.md#jumpstart-foundation-models-fine-tuning-hyperparameters). ## Implementazione Specifica il tipo di istanza di addestramento e la posizione dell’artefatto di output per il tuo job di addestramento. Puoi scegliere solo tra istanze compatibili con il modello che preferisci nell’ambito del fine-tuning dell’interfaccia utente di Studio. La posizione predefinita degli artefatti di output è il SageMaker bucket AI predefinito. Per modificare la posizione degli artefatti di output, scegli **Inserisci posizione dell’artefatto di output** e modifica l’URI di Amazon S3. ## Sicurezza Specificate le impostazioni di sicurezza da utilizzare per il vostro lavoro di formazione, incluso il ruolo IAM utilizzato dall' SageMaker IA per addestrare il vostro modello, se il processo di formazione deve connettersi a un cloud privato virtuale (VPC) ed eventuali chiavi di crittografia per proteggere i dati. ## Informazioni aggiuntive Nel campo **Informazioni aggiuntive** è possibile modificare il nome del job di addestramento. Inoltre, puoi aggiungere e rimuovere tag sotto forma di coppie chiave-valore per organizzare e classificare i job di addestramento per il fine-tuning. Dopo aver fornito le informazioni per la configurazione del fine-tuning, seleziona **Invia**. Se il modello di fondazione preaddestrato di cui desideri eseguire il fine-tuning richiede l’accettazione esplicita di un contratto di licenza con l’utente finale (EULA) prima dell’addestramento, l’EULA viene fornito in una finestra pop-up. Per accettare i termini dell’EULA, scegli **Accetta**. Sei responsabile della revisione e del rispetto di tutte le condizioni di licenza applicabili e di verificare che siano accettabili per il tuo caso d'uso, prima di scaricare o utilizzare un modello. # Implementazione di un modello in Studio Per distribuire i modelli di JumpStart base, accedi a una scheda dettagliata del modello nell'interfaccia utente di Studio. Per ulteriori informazioni su come aprire JumpStart in Studio, consulta[Apri in Studio JumpStart](studio-jumpstart.md#jumpstart-open-studio). Dopo aver esplorato la scheda dei dettagli del modello che preferisci, scegli **Implementa** nell’angolo in alto a destra. Quindi, segui i passaggi descritti in [Distribuisci modelli con SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-deploy-models.html#deploy-models-studio). **Importante** Alcuni modelli di fondazione richiedono l’accettazione esplicita di un contratto di licenza con l’utente finale (End User License Agreement, EULA) prima dell’implementazione. Per ulteriori informazioni, consulta [Accettazione dell'EULA in Amazon Studio SageMaker](jumpstart-foundation-models-choose.md#jumpstart-foundation-models-choose-eula-studio). # Valutazione di un modello in Studio Amazon SageMaker JumpStart dispone di integrazioni con SageMaker Clarify Foundation Model Evaluations (FME) in Studio. Se un JumpStart modello dispone di funzionalità di valutazione integrate, puoi scegliere **Evaluate** nell'angolo in alto a destra della pagina di dettaglio del modello nell' JumpStart interfaccia utente di Studio. Per ulteriori informazioni, consulta [Valutazione di un modello di fondazione](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-evaluate.html). # Usa i tuoi SageMaker JumpStart modelli in Amazon Bedrock Puoi registrare i modelli che hai distribuito da Amazon SageMaker JumpStart ad Amazon Bedrock. Amazon Bedrock consente di ospitare il modello dietro più endpoint. Inoltre, puoi utilizzare le funzionalità di Amazon Bedrock, come agenti e knowledge base. Per ulteriori informazioni sull’utilizzo dei modelli di Amazon Bedrock, consulta [https://docs.aws.amazon.com/bedrock/latest/userguide/amazon-bedrock-marketplace.html](https://docs.aws.amazon.com/bedrock/latest/userguide/amazon-bedrock-marketplace.html). **Importante** Per migrare i tuoi modelli su Amazon Bedrock, ti consigliamo di allegare una [AmazonBedrockFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonBedrockFullAccess.html)policy al tuo ruolo IAM. Se non è possibile collegare la policy gestita, assicurati che il tuo ruolo IAM disponga delle seguenti autorizzazioni: **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "BedrockAll", "Effect": "Allow", "Action": [ "bedrock:*" ], "Resource": "*" }, { "Sid": "DescribeKey", "Effect": "Allow", "Action": [ "kms:DescribeKey" ], "Resource": "arn:*:kms:*:::*" }, { "Sid": "APIsWithAllResourceAccess", "Effect": "Allow", "Action": [ "iam:ListRoles", "ec2:DescribeVpcs", "ec2:DescribeSubnets", "ec2:DescribeSecurityGroups" ], "Resource": "*" }, { "Sid": "MarketplaceModelEndpointMutatingAPIs", "Effect": "Allow", "Action": [ "sagemaker:CreateEndpoint", "sagemaker:CreateEndpointConfig", "sagemaker:CreateModel", "sagemaker:CreateInferenceComponent", "sagemaker:DeleteInferenceComponent", "sagemaker:DeleteEndpoint", "sagemaker:UpdateEndpoint" ], "Resource": [ "arn:aws:sagemaker:*:*:endpoint/*", "arn:aws:sagemaker:*:*:endpoint-config/*", "arn:aws:sagemaker:*:*:model/*" ], "Condition": { "StringEquals": { "aws:CalledViaLast": "bedrock.amazonaws.com" } } }, { "Sid": "BedrockEndpointTaggingOperations", "Effect": "Allow", "Action": [ "sagemaker:AddTags", "sagemaker:DeleteTags" ], "Resource": [ "arn:aws:sagemaker:*:*:endpoint/*", "arn:aws:sagemaker:*:*:endpoint-config/*", "arn:aws:sagemaker:*:*:model/*" ] }, { "Sid": "MarketplaceModelEndpointNonMutatingAPIs", "Effect": "Allow", "Action": [ "sagemaker:DescribeEndpoint", "sagemaker:DescribeEndpointConfig", "sagemaker:DescribeModel", "sagemaker:DescribeInferenceComponent", "sagemaker:ListEndpoints", "sagemaker:ListTags" ], "Resource": [ "arn:aws:sagemaker:*:*:endpoint/*", "arn:aws:sagemaker:*:*:endpoint-config/*", "arn:aws:sagemaker:*:*:model/*" ], "Condition": { "StringEquals": { "aws:CalledViaLast": "bedrock.amazonaws.com" } } }, { "Sid": "BedrockEndpointInvokingOperations", "Effect": "Allow", "Action": [ "sagemaker:InvokeEndpoint", "sagemaker:InvokeEndpointWithResponseStream" ], "Resource": [ "arn:aws:sagemaker:*:*:endpoint/*" ], "Condition": { "StringEquals": { "aws:CalledViaLast": "bedrock.amazonaws.com" } } }, { "Sid": "DiscoveringMarketplaceModel", "Effect": "Allow", "Action": [ "sagemaker:DescribeHubContent" ], "Resource": [ "arn:aws:sagemaker:*:aws:hub-content/SageMakerPublicHub/Model/*", "arn:aws:sagemaker:*:aws:hub/SageMakerPublicHub" ] }, { "Sid": "AllowMarketplaceModelsListing", "Effect": "Allow", "Action": [ "sagemaker:ListHubContents" ], "Resource": "arn:aws:sagemaker:*:aws:hub/SageMakerPublicHub" }, { "Sid": "RetrieveSubscribedMarketplaceLicenses", "Effect": "Allow", "Action": [ "license-manager:ListReceivedLicenses" ], "Resource": [ "*" ] }, { "Sid": "PassRoleToSageMaker", "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": [ "arn:aws:iam::*:role/*Sagemaker*ForBedrock*" ], "Condition": { "StringEquals": { "iam:PassedToService": [ "sagemaker.amazonaws.com", "bedrock.amazonaws.com" ] } } }, { "Sid": "PassRoleToBedrock", "Effect": "Allow", "Action": [ "iam:PassRole" ], "Resource": "arn:aws:iam::*:role/*AmazonBedrock*", "Condition": { "StringEquals": { "iam:PassedToService": [ "bedrock.amazonaws.com" ] } } } ] } ``` La policy di accesso completo di Amazon Bedrock fornisce solo le autorizzazioni per l’API Amazon Bedrock. Per utilizzare Amazon Bedrock in Console di gestione AWS, il tuo ruolo IAM deve disporre anche delle seguenti autorizzazioni: ``` { "Sid": "AllowConsoleS3AccessForBedrockMarketplace", "Effect": "Allow", "Action": [ "s3:GetObject", "s3:GetBucketCORS", "s3:ListBucket", "s3:ListBucketVersions", "s3:GetBucketLocation" ], "Resource": "*" } ``` Se crei una policy personale, è necessario includere le istruzioni di policy che consentono l’azione di Marketplace Amazon Bedrock per la risorsa. Ad esempio, la seguente policy consente ad Amazon Bedrock di utilizzare l’operazione `InvokeModel` per un modello che hai implementato su un endpoint. **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "BedrockAll", "Effect": "Allow", "Action": [ "bedrock:InvokeModel" ], "Resource": [ "arn:aws:bedrock:us-east-1:111122223333:marketplace/model-endpoint/all-access" ] }, { "Sid": "VisualEditor1", "Effect": "Allow", "Action": ["sagemaker:InvokeEndpoint"], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:endpoint/*", "Condition": { "StringEquals": { "aws:ResourceTag/project": "example-project-id", "aws:CalledViaLast": "bedrock.amazonaws.com" } } } ] } ``` Se implementi un modello, dovresti riuscire a utilizzarlo in Amazon Bedrock. Per verificare se è possibile utilizzarlo in Amazon Bedrock, accedi alla scheda dei dettagli del modello nell’interfaccia utente di Studio. Se la scheda del modello indica che questo è **Pronto per Bedrock**, puoi registrare il modello con Amazon Bedrock. **Importante** Per impostazione predefinita, Amazon SageMaker JumpStart disabilita l'accesso alla rete per i modelli che distribuisci. Se hai abilitato l’accesso alla rete, non potrai utilizzare il modello con Amazon Bedrock. Se desideri utilizzare il modello con Amazon Bedrock, devi implementarlo nuovamente con l’accesso alla rete disabilitato. Per utilizzarlo con Amazon Bedrock, accedi alla pagina **Dettagli dell’endpoint** e scegli **Usa con Bedrock** nell’angolo in alto a destra dell’interfaccia utente di Studio. Dopo aver visualizzato la finestra pop-up, scegli **Registrati a Bedrock**.