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.
# Algoritmi e modelli personalizzati con Marketplace AWS
Le sezioni seguenti mostrano come creare algoritmi e pacchetti di modelli da utilizzare localmente e pubblicare sul AWS Marketplace.
**Topics**
+ [Creazione di risorse di algoritmo e pacchetto di modelli](sagemaker-mkt-create.md)
+ [Utilizzo di risorse di algoritmo e pacchetto di modelli](sagemaker-mkt-buy.md)
# Creazione di risorse di algoritmo e pacchetto di modelli
Dopo che il codice di and/or inferenza del training è stato impacchettato in contenitori Docker, crea risorse per algoritmi e pacchetti modello che puoi utilizzare nel tuo account Amazon SageMaker AI e, facoltativamente, pubblicare su. Marketplace AWS
**Topics**
+ [Creazione di una risorsa algoritmo](sagemaker-mkt-create-algo.md)
+ [Creazione di una risorsa pacchetto di modelli](sagemaker-mkt-create-model-package.md)
# Creazione di una risorsa algoritmo
Puoi creare una risorsa algoritmica da utilizzare con i lavori di formazione in Amazon SageMaker AI e pubblicarla su Marketplace AWS. Le sezioni seguenti spiegano come eseguire questa operazione utilizzando Console di gestione AWS e l' SageMaker API.
Per creare una risorsa algoritmica, specifica le seguenti informazioni:
+ Il container Docker contenente il codice di addestramento e, facoltativamente, di inferenza.
+ La configurazione dei dati di input previsti dall'algoritmo per l’addestramento.
+ Gli iperparametri supportati dal tuo algoritmo.
+ Metriche che il tuo algoritmo invia ad Amazon CloudWatch durante i lavori di formazione.
+ I tipi di istanza supportati dall'algoritmo per l’addestramento e l'inferenza e se supporta l’addestramento distribuito su più istanze.
+ Profili di convalida, ovvero processi di formazione utilizzati dall' SageMaker IA per testare il codice di addestramento dell'algoritmo e processi di trasformazione in batch eseguiti dall' SageMaker IA per testare il codice di inferenza dell'algoritmo.
Per garantire che acquirenti e venditori possano avere la certezza che i prodotti funzionino nell' SageMaker intelligenza artificiale, ti chiediamo di convalidare i tuoi algoritmi prima di pubblicarli. Marketplace AWS Puoi mettere in vendita i prodotti Marketplace AWS solo se la convalida ha esito positivo. Per convalidare i tuoi algoritmi, SageMaker AI utilizza il tuo profilo di convalida e i dati di esempio per eseguire le seguenti attività di convalida:
1. Crea un processo di formazione nel tuo account per verificare che la tua immagine di formazione funzioni con l'intelligenza artificiale. SageMaker
1. Se è stato incluso il codice di inferenza nell'algoritmo, crea un modello nell'account usando l'immagine di inferenza dell'algoritmo e gli artefatti del modello prodotti dal processo di addestramento.
1. Se hai incluso il codice di inferenza nell'algoritmo, crea un processo di trasformazione nel tuo account utilizzando il modello per verificare che l'immagine di inferenza funzioni con SageMaker l'intelligenza artificiale.
Quando pubblichi il tuo prodotto su Marketplace AWS, gli input e gli output di questo processo di convalida rimangono parte integrante del prodotto e vengono messi a disposizione degli acquirenti. Questo aiuta gli acquirenti a capire e valutare il prodotto prima di acquistarlo. Ad esempio, gli acquirenti possono ispezionare i dati di input che hai utilizzato, gli output generati, i log e i parametri emessi dal tuo codice. Più completa è la specifica della convalida, più risulta facile per i clienti valutare il tuo prodotto.
**Nota**
Nel profilo di convalida, fornisci solo i dati che vuoi esporre pubblicamente.
La convalida può impiegare anche qualche ora. **Per vedere lo stato delle offerte di lavoro nel tuo account, nella console SageMaker AI, consulta le pagine **Training jobs e Transform jobs**.** Se la convalida fallisce, puoi accedere ai report di scansione e convalida dalla console SageMaker AI. Se vengono rilevati problemi, dovrai creare nuovamente l'algoritmo.
**Nota**
Per pubblicare l'algoritmo su Marketplace AWS, è necessario almeno un profilo di convalida.
Puoi creare un algoritmo utilizzando la console SageMaker AI o l'API SageMaker AI.
**Topics**
+ [Creazione di una risorsa algoritmo (console)](#sagemaker-mkt-create-algo-console)
+ [Creazione di una risorsa algoritmo (API)](#sagemaker-mkt-create-algo-api)
## Creazione di una risorsa algoritmo (console)
**Per creare una risorsa algoritmo (console)**
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dal menu a sinistra, scegli **Addestramento**.
1. Dal menu a discesa, scegli **Algoritmi**, quindi scegli **Crea algoritmo**.
1. Nella pagina **Specifiche dell’addestramento**, inserisci le seguenti informazioni:
1. Per **Nome algoritmo** digita un nome per l'algoritmo. Il nome dell'algoritmo deve essere univoco nel tuo account e nella AWS regione. Il nome deve essere composto da 1 a 64 caratteri. I caratteri validi sono a–z, A-Z, 0–9 e - (trattino).
1. Digita una descrizione per l'algoritmo. Questa descrizione appare nella console SageMaker AI e in Marketplace AWS.
1. Per **Immagine di addestramento, digita il percorso in Amazon ECR in cui è archiviato il container di addestramento**.
1. Per **Supporto addestramento distribuito** scegli **Sì** se l'algoritmo supporta l’addestramento su più istanze. Altrimenti, scegli **No**.
1. Per **Supporto dei tipi di istanza per l’addestramento**, scegli i tipi di istanza supportati dall'algoritmo.
1. Per **Specifica del canale**, specifica fino a 8 canali di dati di input per l'algoritmo. Ad esempio, è possibile specificare 3 canali di input denominati `train`, `validation` e `test`. Per ogni canale, specifica le seguenti informazioni.
1. Per **Nome canale** digita un nome per il canale. Il nome deve essere composto da 1 a 64 caratteri. I caratteri validi sono a–z, A-Z, 0–9 e - (trattino).
1. Per richiedere il canale per l'algoritmo, scegli **Canale obbligatorio**.
1. Digita una descrizione del canale.
1. Per **Modalità di input supportate**, scegli **Modalità pipe** se l'algoritmo supporta lo streaming dei dati di input e **Modalità dei file** se l'algoritmo supporta il download dei dati di input come file. È possibile sceglierle entrambe.
1. Per **Tipi di contenuto supportati**, digita il tipo MIME previsto dall'algoritmo come dati di input.
1. Per **Tipi di compressione supportati**, scegli **Gzip** se l'algoritmo supporta la compressione Gzip. Altrimenti, seleziona **Nessuno**.
1. Scegli **Aggiungi canale** per aggiungere un altro canale di input oppure scegli **Successivo** se non desideri aggiungere altri canali.
1. Nella pagina **Specifiche dell'ottimizzazione**, inserisci le seguenti informazioni:
1. Per **Specifica degli iperparametri**, specifica gli iperparametri supportati dall'algoritmo modificando l'oggetto JSON. Per ciascun iperparametro supportato dall'algoritmo, crea un blocco JSON simile al seguente:
```
{
"DefaultValue": "5",
"Description": "The first hyperparameter",
"IsRequired": true,
"IsTunable": false,
"Name": "intRange",
"Range": {
"IntegerParameterRangeSpecification": {
"MaxValue": "10",
"MinValue": "1"
},
"Type": "Integer"
}
```
Nel JSON, inserisci le seguenti informazioni:
1. Per `DefaultValue`, specifica un valore predefinito per l'iperparametro, se presente.
1. Per `Description`, specifica una descrizione per l'iperparametro.
1. Per `IsRequired`, specifica se l'iperparametro è obbligatorio.
1. Per `IsTunable`, specifica `true` se questo iperparametro può essere ottimizzato quando un utente esegue un processo di ottimizzazione iperparametri che utilizza questo algoritmo. Per informazioni, consulta [Ottimizzazione automatica dei modelli con AI SageMaker](automatic-model-tuning.md).
1. Per `Name`, specifica un nome per l'iperparametro.
1. Per `Range`, specifica uno dei seguenti valori:
+ `IntegerParameterRangeSpecification` - i valori dell'iperparametro sono numeri interi. Specifica il valore minimo e massimo per l'iperparametro.
+
+ `ContinuousParameterRangeSpecification` - i valori dell'iperparametro sono valori in virgola mobile. Specifica il valore minimo e massimo per l'iperparametro.
+ `CategoricalParameterRangeSpecification` - i valori dell'iperparametro sono valori categorici. Specifica un elenco di tutti i valori possibili.
1. Per `Type`, specifica `Integer`, `Continuous` o `Categorical`. Il valore deve corrispondere al tipo di `Range` specificato.
1. Per **le definizioni delle metriche**, specifica le metriche di allenamento che desideri che l'algoritmo emetta. SageMaker L'intelligenza artificiale utilizza l'espressione regolare specificata per trovare le metriche analizzando i log dal contenitore di allenamento durante l'allenamento. Gli utenti possono visualizzare queste metriche quando eseguono lavori di formazione con il tuo algoritmo e possono monitorare e tracciare le metriche in Amazon. CloudWatch Per informazioni, consulta [Amazon CloudWatch Metrics per il monitoraggio e l'analisi dei lavori di formazione](training-metrics.md). Per ogni parametro, specifica le seguenti informazioni:
1. Per **Nome parametro**, digita un nome per il parametro.
1. Per esempio`Regex`, digita l'espressione regolare che l' SageMaker intelligenza artificiale utilizza per analizzare i log di allenamento in modo che possa trovare il valore della metrica.
1. Per **Supporto parametro obiettivo** scegli **Sì** se il parametro può essere utilizzato come parametro obiettivo per un processo di ottimizzazione iperparametri. Per informazioni, consulta [Ottimizzazione automatica dei modelli con AI SageMaker](automatic-model-tuning.md).
1. Scegli **Aggiungi parametro** per aggiungere un altro parametro oppure scegli **Successivo** se desideri aggiungere altri parametri.
1. Nella pagina **Specifiche dell'inferenza**, inserisci le seguenti informazioni se l'algoritmo supporta l'inferenza:
1. In **Posizione di immagine di inferenza**, digita il percorso in Amazon ECR in cui è archiviato il container di inferenza.
1. Per **Nome host container DNS**, digita il nome di un host DNS per l'immagine.
1. Per i **tipi di istanze supportati per l'inferenza in tempo reale**, scegli i tipi di istanza supportati dall'algoritmo per i modelli distribuiti come endpoint ospitati nell'IA. SageMaker Per informazioni, consulta [Implementa modelli per l'inferenza](deploy-model.md).
1. Per **Tipi di istanze supportati per le operazioni di trasformazione in batch**, scegli i tipi di istanza supportati dall'algoritmo per i processi di trasformazione in batch. Per informazioni, consulta [Trasformazione in batch per l'inferenza con Amazon SageMaker AI](batch-transform.md).
1. Per **Tipi di contenuto supportati**, digita il tipo dei dati di input previsti dall'algoritmo come richieste di inferenza.
1. Per **Tipi MIME di risposta supportati**, digita i tipi MIME supportati dall'algoritmo per le risposte di inferenza.
1. Scegli **Next (Successivo)**.
1. Nella pagina **Specifiche della convalida**, inserisci le seguenti informazioni:
1. Per **Pubblica questo algoritmo su Marketplace AWS**, scegli **Sì** per pubblicare l'algoritmo. Marketplace AWS
1. Per **Convalida questa risorsa**, scegli **Sì** se desideri che l' SageMaker IA esegua il codice di and/or batch transform jobs that you specify to test the training and/or inferenza dei lavori di formazione del tuo algoritmo.
**Nota**
Per pubblicare il tuo algoritmo su Marketplace AWS, devi convalidarlo.
1. Per il **ruolo IAM**, scegli un ruolo IAM con le autorizzazioni necessarie per eseguire lavori di formazione e trasformare in batch i lavori nell' SageMaker IA, oppure scegli **Crea un nuovo ruolo** per consentire all' SageMaker IA di creare un ruolo con la policy `AmazonSageMakerFullAccess` gestita allegata. Per informazioni, consulta [Come utilizzare i ruoli di esecuzione dell' SageMaker IA](sagemaker-roles.md).
1. Per **Profilo di convalida**, specifica i seguenti valori:
+ Un nome per il profilo di convalida.
+ Una **definizione del processo di addestramento**. È un blocco JSON che descrive un processo di addestramento. Il formato è uguale a quello del parametro di input [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TrainingJobDefinition.html) dell'API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html).
+ Una **definizione del processo di trasformazione**. È un blocco JSON che descrive un processo di trasformazione in batch. Il formato è uguale a quello del parametro di input [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html) dell'API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html).
1. Seleziona **Crea algoritmo**.
## Creazione di una risorsa algoritmo (API)
Per creare una risorsa algoritmica utilizzando l' SageMaker API, chiama l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html)API.
# Creazione di una risorsa pacchetto di modelli
Per creare una risorsa per il pacchetto di modelli da utilizzare per creare modelli distribuibili in Amazon SageMaker AI e pubblicarli su, Marketplace AWS specifica le seguenti informazioni:
+ Il container Docker che contiene il codice di inferenza o la risorsa algoritmo utilizzata per addestrare il modello.
+ La posizione degli artefatti del modello. Gli artefatti del modello possono essere compressi nello stesso container Docker del codice di inferenza oppure possono essere memorizzati in Amazon S3.
+ I tipi di istanza supportati dal pacchetto di modelli per i processi di inferenza in tempo reale e di trasformazione in batch.
+ Profili di convalida, ovvero processi di trasformazione in batch eseguiti dall' SageMaker intelligenza artificiale per testare il codice di inferenza del pacchetto modello.
Prima di pubblicare i pacchetti modello su Marketplace AWS, devi convalidarli. Ciò garantisce che acquirenti e venditori possano essere certi che i prodotti funzionino in Amazon SageMaker AI. Puoi mettere in vendita i prodotti Marketplace AWS solo se la convalida ha esito positivo.
Per la procedura di convalida usa il profilo di convalida e i dati di esempio per eseguire le seguenti attività di convalida:
1. Creare un modello nell'account utilizzando l'immagine di inferenza del pacchetto di modelli e gli artefatti del modello opzionali che sono memorizzati in Amazon S3.
**Nota**
Un pacchetto di modelli è specifico per la Regione in cui viene creato. Il bucket S3 in cui sono archiviati gli artefatti del modello devono trovarsi nella stessa Regione in cui è stato creato il pacchetto di modelli.
1. Crea un processo di trasformazione nel tuo account utilizzando il modello per verificare che la tua immagine di inferenza funzioni con l'intelligenza artificiale. SageMaker
1. Creare un profilo di convalida.
**Nota**
Nel profilo di convalida, fornisci solo i dati che vuoi esporre pubblicamente.
La convalida può impiegare anche qualche ora. Per vedere lo stato dei lavori nel tuo account, nella console SageMaker AI, consulta le pagine **Transform jobs**. Se la convalida fallisce, puoi accedere ai report di scansione e convalida dalla console SageMaker AI. Dopo la correzione degli errori, ricrea l'algoritmo. Quando lo stato dell'algoritmo è impostato`COMPLETED`, trovalo nella console SageMaker AI e avvia il processo di quotazione
**Nota**
Per pubblicare il pacchetto modello su Marketplace AWS, è necessario almeno un profilo di convalida.
Puoi creare un pacchetto modello utilizzando la console SageMaker AI o utilizzando l' SageMaker API.
**Topics**
+ [Creazione di una risorsa pacchetto di modelli (console)](#sagemaker-mkt-create-model-pkg-console)
+ [Creazione di una risorsa pacchetto di modelli (API)](#sagemaker-mkt-create-model-pkg-api)
## Creazione di una risorsa pacchetto di modelli (console)
**Per creare un pacchetto modello nella console SageMaker AI:**
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dal menu a sinistra, scegli **Inferenza**.
1. Scegli **Pacchetti di modelli Marketplace** e seleziona **Crea pacchetto di modelli Marketplace**.
1. Nella pagina **Specifiche dell'inferenza**, inserisci le seguenti informazioni:
1. Per **Nome del pacchetto di modelli**, digita un nome per il pacchetto di modelli. Il nome del pacchetto modello deve essere univoco nel tuo account e nella AWS regione. Il nome deve essere composto da 1 a 64 caratteri. I caratteri validi sono a–z, A-Z, 0–9 e - (trattino).
1. Digita una descrizione per il pacchetto di modelli. Questa descrizione appare nella console SageMaker AI e in Marketplace AWS.
1. Per **Opzioni di specificazione di inferenza**, scegli **Fornire il percorso dell'immagine di inferenza e gli artefatti dei modelli** per creare un pacchetto di modelli utilizzando un container di inferenza e artefatti del modello. Scegli **Fornisci l'algoritmo usato per l'addestramento e i relativi artefatti del modello** per creare un pacchetto di modelli da una risorsa algoritmo che hai creato o a cui sei iscritto da Marketplace AWS.
1. Se scegli **Fornisci il percorso dell'immagine di inferenza e gli artefatti dei modelli** per **Opzioni di specificazione di inferenza**, inserisci le seguenti informazioni per **Definizione del container** e **Risorse supportate**:
1. Per **Posizione dell'immagine di inferenza**, digita il percorso dell'immagine che contiene il codice di inferenza. L'immagine deve essere archiviata come container Docker in Amazon ECR.
1. Per **Posizione degli artefatti dei modelli di dati**, digita il percorso in S3 in cui gli artefatti di modello sono archiviati.
1. Per **Nome host container DNS**, digita il nome dell'host DNS da usare per il container.
1. Per i **tipi di istanze supportati per l'inferenza in tempo reale**, scegli i tipi di istanza supportati dal tuo pacchetto modello per l'inferenza in tempo reale dagli endpoint ospitati dall' SageMaker intelligenza artificiale.
1. Per **Tipi di istanze supportati per le operazioni di trasformazione in batch**, scegli i tipi di istanza supportati dal pacchetto di modelli per i processi di trasformazione in batch.
1. Per **Tipi di contenuto supportati**, digita i tipi di contenuto che il pacchetto di modelli si aspetta come richieste di inferenza.
1. Per **Tipi MIME di risposta supportati**, digita i tipi MIME utilizzati dal pacchetto di modelli per fornire le inferenze.
1. Se scegli **Fornisci l'algoritmo usato per l'addestramento e i relativi artefatti del modello** per **Opzioni di specificazione dell'inferenza**, inserisci le seguenti informazioni:
1. Per **ARN dell'algoritmo**, digita il nome della risorsa Amazon (ARN) della risorsa algoritmo da utilizzare per creare il pacchetto di modelli.
1. Per **Posizione degli artefatti dei modelli di dati**, digita il percorso in S3 in cui gli artefatti di modello sono archiviati.
1. Scegli **Next (Successivo)**.
1. Nella pagina **Convalida e scansione**, inserisci le seguenti informazioni:
1. Per **Pubblica questo pacchetto modello su Marketplace AWS**, scegli **Sì** per pubblicare il pacchetto modello su. Marketplace AWS
1. Per **Convalida questa risorsa**, scegli **Sì** se desideri che SageMaker AI esegua i processi di trasformazione in batch da te specificati per testare il codice di inferenza del tuo pacchetto modello.
**Nota**
Per pubblicare il pacchetto modello su Marketplace AWS, il pacchetto modello deve essere convalidato.
1. Per **il ruolo IAM**, scegli un ruolo IAM con le autorizzazioni necessarie per eseguire lavori di trasformazione in batch nell' SageMaker IA oppure scegli **Crea un nuovo ruolo** per consentire all' SageMaker IA di creare un ruolo a cui è associata la policy `AmazonSageMakerFullAccess` gestita. Per informazioni, consulta [Come utilizzare i ruoli di esecuzione dell' SageMaker IA](sagemaker-roles.md).
1. Per **Profilo di convalida**, specifica i seguenti valori:
+ Un nome per il profilo di convalida.
+ Una **definizione del processo di trasformazione**. È un blocco JSON che descrive un processo di trasformazione in batch. Il formato è uguale a quello del parametro di input [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TransformJobDefinition.html) dell'API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAlgorithm.html).
1. Scegli **Crea pacchetto di modelli marketplace**.
## Creazione di una risorsa pacchetto di modelli (API)
Per creare un pacchetto modello utilizzando l' SageMaker API, chiama l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelPackage.html)API.
# Utilizzo di risorse di algoritmo e pacchetto di modelli
Puoi creare algoritmi e pacchetti di modello come risorse nel tuo account Amazon SageMaker AI e trovare e sottoscrivere algoritmi e pacchetti di modello su Marketplace AWS.
Utilizza gli algoritmi per:
+ Eseguire i processi di addestramento. Per informazioni, consultare [Uso di un algoritmo per eseguire un processo di addestramento](sagemaker-mkt-algo-train.md).
+ Eseguire i processi di ottimizzazione iperparametri. Per informazioni, consultare [Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri](sagemaker-mkt-algo-tune.md).
+ Creazione di pacchetti di modello. Dopo aver utilizzato una risorsa algoritmo per eseguire un processo di addestramento o un processo di ottimizzazione iperparametri, puoi usare gli artefatti del modello generati dai processi e l'algoritmo per creare un pacchetto di modelli. Per informazioni, consultare [Creazione di una risorsa pacchetto di modelli](sagemaker-mkt-create-model-package.md).
**Nota**
Se sei iscritto a un algoritmo in Marketplace AWS, devi creare un pacchetto di modelli prima di usarlo per ottenere le inferenze mediante la creazione di endpoint ospitati o l'esecuzione di un processo di trasformazione in batch.
![\[Flusso di lavoro degli acquirenti di Marketplace.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/mkt-buyer-workflow.png)
Usa i pacchetti di modelli per:
+ Creare i modelli che puoi utilizzare per ottenere l'inferenza in tempo reale o eseguire processi di trasformazione in batch. Per informazioni, consultare [Uso di un pacchetto di modelli per creare un modello](sagemaker-mkt-model-pkg-model.md).
+ Creare endpoint ospitati per ottenere l'inferenza in tempo reale. Per informazioni, consultare [Implementa il modello su AI Hosting Services SageMaker](ex1-model-deployment.md#ex1-deploy-model).
+ Creare processi di trasformazione in batch. Per informazioni, consultare [(Facoltativo) Formulazione di previsioni con la trasformazione di batch](ex1-model-deployment.md#ex1-batch-transform).
**Topics**
+ [Uso di un algoritmo per eseguire un processo di addestramento](sagemaker-mkt-algo-train.md)
+ [Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri](sagemaker-mkt-algo-tune.md)
+ [Uso di un pacchetto di modelli per creare un modello](sagemaker-mkt-model-pkg-model.md)
# Uso di un algoritmo per eseguire un processo di addestramento
Puoi creare una risorsa algoritmica per creare un processo di formazione utilizzando la console Amazon SageMaker AI, l' SageMaker API Amazon di basso livello o l'SDK [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Nota**
Il tuo ruolo di esecuzione deve avere `sagemaker:DescribeAlgorithm` l'autorizzazione per la risorsa algoritmica specificata. Per ulteriori informazioni sulle autorizzazioni dei ruoli di esecuzione, vedere[CreateTrainingJob API: autorizzazioni per i ruoli di esecuzione](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Uso di un algoritmo per eseguire un processo di addestramento (console)](#sagemaker-mkt-algo-train-console)
+ [Uso di un algoritmo per eseguire un processo di addestramento (API)](#sagemaker-mkt-algo-train-api)
+ [Usa un algoritmo per eseguire un processo di formazione ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)](#sagemaker-mkt-algo-train-sdk)
## Uso di un algoritmo per eseguire un processo di addestramento (console)
**Per usare un algoritmo per eseguire un processo di addestramento (console)**
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Scegli **Algoritmi**.
1. Scegli un algoritmo che hai creato dall'elenco nella scheda **I miei algoritmi** o scegli un algoritmo a cui è stato effettuato l'abbonamento nella scheda **Abbonamenti Marketplace AWS **.
1. Scegli **Crea processo di addestramento**.
L'algoritmo scelto verrà automaticamente selezionato.
1. Nella pagina **Crea processo di addestramento**, inserisci le seguenti informazioni:
1. Per **Nome processo**, digita un nome per il processo di addestramento.
1. Per **il ruolo IAM**, scegli un ruolo IAM con le autorizzazioni necessarie per eseguire lavori di formazione sull' SageMaker IA oppure scegli **Crea un nuovo ruolo** per consentire all' SageMaker IA di creare un ruolo con la policy `AmazonSageMakerFullAccess` gestita allegata. Per informazioni, consulta [Come utilizzare i ruoli di esecuzione dell' SageMaker IA](sagemaker-roles.md).
1. Per **Configurazione delle risorse**, specifica le seguenti informazioni:
1. Per **Tipo di istanza**, scegli il tipo di istanza da utilizzare per l’addestramento.
1. Per **Conteggio istanze**, digita il numero di istanze ML da utilizzare per il processo di addestramento.
1. Per **Volume aggiuntivo per istanza (GB)**, digita le dimensioni del volume di storage ML da assegnare. I volumi di storage ML memorizzano gli artefatti di modello e gli stati incrementali.
1. Per la **chiave di crittografia**, se desideri che Amazon SageMaker AI utilizzi una AWS chiave del servizio di gestione delle chiavi per crittografare i dati nel volume di archiviazione ML collegato all'istanza di formazione, specifica la chiave.
1. Per **Condizione di arresto**, specifica il periodo di tempo massimo in secondi, minuti, ore o giorni che può durare l'esecuzione del processo di addestramento.
1. Per **VPC**, scegli un Amazon VPC a cui il container di addestramento può accedere. Per ulteriori informazioni, consulta [Offri SageMaker ai corsi di formazione sull'intelligenza artificiale l'accesso alle risorse nel tuo Amazon VPC](train-vpc.md).
1. Per **Iperparametri**, specifica i valori degli iperparametri da utilizzare per il processo di addestramento.
1. Per **Configurazione dei dati di input**, specifica i valori riportati di seguito per ogni canale di dati di input da utilizzare per il processo di addestramento. Puoi vedere quali canali sono supportati dall'algoritmo in uso per i processi di addestramento, il tipo di contenuto, il tipo di compressione supportato e le modalità di input supportate per ciascun canale, nella sezione **Specifica del canale** della pagina **Riepilogo dell'algoritmo** per l'algoritmo.
1. Per **Nome canale** digita il nome del canale di input.
1. Per **Tipo di contenuto** digita il tipo di contenuto dei dati previsti dall'algoritmo per il canale.
1. Per **Tipo di compressione**, scegli il tipo di compressione dei dati da utilizzare, se presente.
1. Per **Wrapper dei record**, scegli `RecordIO` se l'algoritmo prevede dati nel formato `RecordIO`.
1. Per **Tipo di dati S3**, **Tipo di distribuzione dei dati S3** e **Percorso S3**, specifica i valori appropriati. Per informazioni sul significato dei valori, consulta [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Per **Modalità di input**, scegli **File** per scaricare i dati dal volume di storage ML assegnato e montare la directory su un volume Docker. Scegli **Pipe** per eseguire lo streaming dei dati direttamente da Amazon S3 al container.
1. Per aggiungere un altro canale di input, scegli **Aggiungi canale**. Una volta terminata l'aggiunta dei canali di input, scegli **Fatto**.
1. Per il percorso di **output**, specifica i seguenti valori:
1. Per **Percorso di output S3**, scegli il percorso S3 in cui il processo di addestramento archivia l'output, ad esempio gli artefatti del modello.
**Nota**
Gli artefatti del modello memorizzati in questa posizione vengono utilizzati per creare un modello o un pacchetto di modelli da questo processo di addestramento.
1. Per la **chiave di crittografia**, se desideri che l' SageMaker IA utilizzi una AWS KMS chiave per crittografare i dati di output inattivi nella posizione S3.
1. Per **Tag**, specifica uno o più tag per gestire il processo di addestramento. Ciascun tag è formato da una chiave e da un valore facoltativo. Le chiavi dei tag devono essere univoche per ogni risorsa.
1. Scegli **Crea processo di addestramento** per eseguire il processo di addestramento.
## Uso di un algoritmo per eseguire un processo di addestramento (API)
Per utilizzare un algoritmo per eseguire un processo di formazione utilizzando l' SageMaker API, specifica il nome o Amazon Resource Name (ARN) come `AlgorithmName` campo dell'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)oggetto a cui passi. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Per informazioni sui modelli di addestramento nell' SageMaker intelligenza artificiale, consulta[Addestra un modello con Amazon SageMaker](how-it-works-training.md).
## Usa un algoritmo per eseguire un processo di formazione ([Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK)
Usa un algoritmo che hai creato o a cui ti sei iscritto Marketplace AWS per creare un processo di formazione, crea un `AlgorithmEstimator` oggetto e specifica Amazon Resource Name (ARN) o il nome dell'algoritmo come valore dell'`algorithm_arn`argomento. Quindi, richiama il metodo `fit` dello strumento di valutazione. Esempio:
```
from sagemaker import AlgorithmEstimator
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.fit({'training': train_input})
```
# Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri
La sezione seguente spiega come utilizzare una risorsa algoritmica per eseguire un processo di ottimizzazione degli iperparametri in Amazon SageMaker AI. Un processo di ottimizzazione iperparametri trova la versione migliore di un modello eseguendo molti processi di addestramento sul set di dati utilizzando l'algoritmo e gli intervalli di iperparametri specificati. Quindi, sceglie i valori iperparametri presenti in un modello che ha la performance migliore, misurata in base a un parametro scelto. Per ulteriori informazioni, consulta [Ottimizzazione automatica dei modelli con AI SageMaker](automatic-model-tuning.md).
Puoi creare una risorsa algoritmica per creare un processo di ottimizzazione degli iperparametri utilizzando la console Amazon SageMaker AI, l'API Amazon di basso livello o l'SDK [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable). SageMaker
**Topics**
+ [Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri (console)](#sagemaker-mkt-algo-tune-console)
+ [Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri (API)](#sagemaker-mkt-algo-tune-api)
+ [Usa un algoritmo per eseguire un job di ottimizzazione degli iperparametri (Amazon [Python SDK SageMaker](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri (console)
**Per utilizzare un algoritmo per eseguire un processo di ottimizzazione iperparametri (console)**
1. Apri la console AI all'indirizzo. SageMaker [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Scegli **Algoritmi**.
1. Scegli un algoritmo che è stato creato dall'elenco nella scheda **I miei algoritmi** o scegli un algoritmo a cui è stato effettuato l'abbonamento nella scheda **Abbonamenti Marketplace AWS **.
1. Scegli **Crea attività di ottimizzazione iperparametri**.
L'algoritmo scelto verrà automaticamente selezionato.
1. Nella pagina **Crea attività di ottimizzazione iperparametri**, inserisci le seguenti informazioni:
1. Per **Avvio a caldo**, scegli **Abilita l'avvio a caldo** per utilizzare le informazioni dei precedenti processi di ottimizzazione iperparametri come punto di partenza per questo processo di ottimizzazione iperparametri. Per ulteriori informazioni, consulta [Eseguire un processo di ottimizzazione degli iperparametri con avvio a caldo](automatic-model-tuning-warm-start.md).
1. Scegli **Dati e algoritmo identici** se i dati di input sono uguali ai dati di input per i processi padre di questo processo di ottimizzazione iperparametri oppure scegli **Apprendimento del trasferimento** per utilizzare dati di input aggiuntivi o diversi per questo processo di ottimizzazione iperparametri.
1. Per **Riepilogo dell'attività di ottimizzazione degli iperparametri**, scegli fino a 5 processi di ottimizzazione iperparametri da usare come elementi padre di questo processo di ottimizzazione iperparametri.
1. Per **Nome processo di ottimizzazione iperparametri**, digita un nome per il processo di ottimizzazione.
1. Per **il ruolo IAM**, scegli un ruolo IAM con le autorizzazioni necessarie per eseguire lavori di ottimizzazione degli iperparametri nell' SageMaker IA oppure scegli **Crea un nuovo ruolo** per consentire all' SageMaker IA di creare un ruolo con la policy `AmazonSageMakerFullAccess` gestita allegata. Per informazioni, consulta [Come utilizzare i ruoli di esecuzione dell' SageMaker IA](sagemaker-roles.md).
1. Per **VPC**, scegli un Amazon VPC a cui i processi di addestramento avviati dal processo di ottimizzazione possono accedere. Per ulteriori informazioni, consulta [Offri SageMaker ai corsi di formazione sull'intelligenza artificiale l'accesso alle risorse nel tuo Amazon VPC](train-vpc.md).
1. Scegli **Next (Successivo)**.
1. Per **Parametro obiettivo**, scegli il parametro utilizzato dal processo di ottimizzazione iperparametri per determinare la migliore combinazione di iperparametri e scegliere se ridurre o massimizzare questo parametro. Per ulteriori informazioni, consulta [Visualizzare il processo di addestramento migliore](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Per **Configurazione dell'iperparametro**, scegli gli intervalli per gli iperparametri ottimizzabili che desideri cercare nel processo di ottimizzazione e imposta i valori statici per gli iperparametri che desideri mantenere costanti in tutti i processi di addestramento avviati dal processo di ottimizzazione iperparametri. Per ulteriori informazioni, consulta [Definire gli intervalli degli iperparametri](automatic-model-tuning-define-ranges.md).
1. Scegli **Next (Successivo)**.
1. Per **Configurazione dei dati di input**, specifica i valori riportati di seguito per ogni canale di dati di input da utilizzare per il processo di ottimizzazione iperparametri. Puoi vedere quali canali sono supportati dall'algoritmo in uso per i processi di ottimizzazione iperparametri e il tipo di contenuto, il tipo di compressione supportato e le modalità di input supportate per ciascun canale, nella sezione **Specifica del canale** della pagina **Riepilogo dell'algoritmo** per l'algoritmo in uso.
1. Per **Nome canale** digita il nome del canale di input.
1. Per **Tipo di contenuto** digita il tipo di contenuto dei dati previsti dall'algoritmo per il canale.
1. Per **Tipo di compressione**, scegli il tipo di compressione dei dati da utilizzare, se presente.
1. Per **Wrapper dei record**, scegli `RecordIO` se l'algoritmo prevede dati nel formato `RecordIO`.
1. Per **Tipo di dati S3**, **Tipo di distribuzione dei dati S3** e **Percorso S3**, specifica i valori appropriati. Per informazioni sul significato dei valori, consulta [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Per **Modalità di input**, scegli **File** per scaricare i dati dal volume di storage ML assegnato e montare la directory su un volume Docker. Scegli **Pipe** per eseguire lo streaming dei dati direttamente da Amazon S3 al container.
1. Per aggiungere un altro canale di input, scegli **Aggiungi canale**. Una volta terminata l'aggiunta dei canali di input, scegli **Fatto**.
1. Per il percorso di **output**, specifica i seguenti valori:
1. Per **Percorso di output S3**, scegli il percorso S3 in cui i processi di addestramento avviati da questo processo di ottimizzazione iperparametri archiviano l'output, come gli artefatti del modello.
**Nota**
Gli artefatti del modello memorizzati in questa posizione vengono utilizzati per creare un modello o un pacchetto di modelli da questo processo di ottimizzazione iperparametri.
1. Per la **chiave di crittografia**, se desideri che l' SageMaker IA utilizzi una AWS KMS chiave per crittografare i dati di output inattivi nella posizione S3.
1. Per **Configurazione delle risorse**, specifica le seguenti informazioni:
1. Per **Tipo di istanza**, scegli il tipo di istanza da usare per ogni processo di addestramento avviato dal processo di ottimizzazione iperparametri.
1. Per **Conteggio istanze**, digita il numero di istanze ML da usare per ogni processo di addestramento avviato dal processo di ottimizzazione iperparametri.
1. Per **Volume aggiuntivo per istanza (GB)**, digita la dimensione del volume di storage ML che desideri assegnare a ogni processo di addestramento avviato dal processo di ottimizzazione iperparametri. I volumi di storage ML memorizzano gli artefatti di modello e gli stati incrementali.
1. Per la **chiave di crittografia**, se desideri che Amazon SageMaker AI utilizzi una AWS chiave del servizio di gestione delle chiavi per crittografare i dati nel volume di archiviazione ML collegato alle istanze di formazione, specifica la chiave.
1. Per **Limiti delle risorse**, specifica le seguenti informazioni:
1. Per **Numero massimo di processi di addestramento**, specifica il numero massimo di processi di addestramento da avviare con il processo di ottimizzazione iperparametri. Un processo di ottimizzazione degli iperparametri può avviare al massimo 500 processi di addestramento.
1. Per **Numero massimo di processi di addestramento paralleli**, specifica il numero massimo di processi di addestramento simultanei che il processo di ottimizzazione iperparametri può avviare. Un processo di ottimizzazione degli iperparametri può avviare al massimo 10 processi di addestramento simultanei.
1. Per **Condizione di arresto**, specifica il periodo di tempo massimo in secondi, minuti, ore o giorni che può durare l'esecuzione dell'avvio del processo di ottimizzazione iperparametri.
1. Per **Tag**, specifica uno o più tag per gestire il processo di ottimizzazione iperparametri. Ciascun tag è formato da una chiave e da un valore facoltativo. Le chiavi dei tag devono essere univoche per ogni risorsa.
1. Scegli **Creazione di processi** per eseguire il processo di ottimizzazione iperparametri.
## Uso di un algoritmo per eseguire un processo di ottimizzazione iperparametri (API)
Per utilizzare un algoritmo per eseguire un processo di ottimizzazione degli iperparametri utilizzando l' SageMaker API, specifica il nome o l'Amazon Resource Name (ARN) dell'algoritmo come `AlgorithmName` campo dell'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)oggetto a cui passi. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) Per informazioni sull'ottimizzazione degli iperparametri nell'intelligenza artificiale, consulta. SageMaker [Ottimizzazione automatica dei modelli con AI SageMaker](automatic-model-tuning.md)
## Usa un algoritmo per eseguire un job di ottimizzazione degli iperparametri (Amazon [Python SDK SageMaker](https://sagemaker.readthedocs.io/en/stable))
Usa un algoritmo che hai creato o a cui ti sei abbonato Marketplace AWS per creare un processo di ottimizzazione degli iperparametri, crea un `AlgorithmEstimator` oggetto e specifica Amazon Resource Name (ARN) o il nome dell'algoritmo come valore dell'argomento. `algorithm_arn` Quindi, inizializza un oggetto `HyperparameterTuner` con l'elemento `AlgorithmEstimator` creato come valore dell'argomento `estimator`. Infine, chiama il metodo `fit` di `AlgorithmEstimator`. Esempio:
```
from sagemaker import AlgorithmEstimator
from sagemaker.tuner import HyperparameterTuner
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:764419575721:algorithm/scikit-decision-trees-1542410022',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.set_hyperparameters(max_leaf_nodes=10)
tuner = HyperparameterTuner(estimator=algo, base_tuning_job_name='some-name',
objective_metric_name='validation:accuracy',
hyperparameter_ranges=hyperparameter_ranges,
max_jobs=2, max_parallel_jobs=2)
tuner.fit({'training': train_input}, include_cls_metadata=False)
tuner.wait()
```
# Uso di un pacchetto di modelli per creare un modello
Utilizza un pacchetto di modelli per creare un modello distribuibile da utilizzare per ottenere le inferenze in tempo reale creando un endpoint ospitato o per eseguire processi di trasformazione in batch. Puoi creare un modello distribuibile da un pacchetto di modelli utilizzando la console Amazon SageMaker AI, l' SageMaker API di basso livello) o l'SDK Amazon [Python SageMaker ](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Uso di un pacchetto di modelli per creare un modello (console)](#sagemaker-mkt-model-pkg-model-console)
+ [Uso di un pacchetto di modelli per creare un modello (API)](#sagemaker-mkt-model-pkg-model-api)
+ [Usare un Model Package per creare un modello ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-model-pkg-model-sdk)
## Uso di un pacchetto di modelli per creare un modello (console)
**Per creare un modello distribuibile da un pacchetto di modelli (console)**
1. Apri la console AI all'indirizzo. SageMaker [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Scegli **Pacchetti di modelli**.
1. Scegli un pacchetto di modelli creato dall'elenco nella scheda **I miei pacchetti di modello** o scegli un pacchetto di modelli a cui è stato effettuato l'abbonamento nella scheda **Abbonamenti Marketplace AWS **.
1. Scegli **Crea modello**.
1. Per **Nome modello**, digita un nome per il modello.
1. Per **il ruolo IAM**, scegli un ruolo IAM con le autorizzazioni necessarie per chiamare altri servizi per tuo conto, oppure scegli **Crea un nuovo ruolo** per consentire all' SageMaker IA di creare un ruolo con la policy `AmazonSageMakerFullAccess` gestita allegata. Per informazioni, consulta [Come utilizzare i ruoli di esecuzione dell' SageMaker IA](sagemaker-roles.md).
1. Per **VPC**, scegli un VPC Amazon a cui il modello può accedere. Per ulteriori informazioni, consulta [Offri agli endpoint ospitati dall' SageMaker intelligenza artificiale l'accesso alle risorse nel tuo Amazon VPC](host-vpc.md).
1. Lascia i valori predefiniti per **Opzioni di input del container** e **Scegli il pacchetto del modello**.
1. Per le variabili di ambiente, inserisci i nomi e i valori delle variabili di ambiente che desideri inoltrare al container del modello.
1. Per **Tag**, specifica uno o più tag per gestire il modello. Ciascun tag è formato da una chiave e da un valore facoltativo. Le chiavi dei tag devono essere univoche per ogni risorsa.
1. Scegli **Crea modello**.
Dopo aver creato un modello distribuibile, puoi utilizzarlo per impostare un endpoint per l'inferenza in tempo reale o creare un processo di trasformazione in batch per ottenere le inferenze su set di dati completi. Per informazioni sull'hosting degli endpoint nell' SageMaker IA, consulta [Deploy Models](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) for Inference.
## Uso di un pacchetto di modelli per creare un modello (API)
Per utilizzare un pacchetto modello per creare un modello distribuibile utilizzando l' SageMaker API, specifica il nome o l'Amazon Resource Name (ARN) del pacchetto modello come `ModelPackageName` campo dell'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)oggetto da passare all'API. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)
Dopo aver creato un modello distribuibile, puoi utilizzarlo per impostare un endpoint per l'inferenza in tempo reale o creare un processo di trasformazione in batch per ottenere le inferenze su set di dati completi. Per informazioni sugli endpoint ospitati nell' SageMaker intelligenza artificiale, consulta [Deploy](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) Models for Inference.
## Usare un Model Package per creare un modello ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Per utilizzare un pacchetto modello per creare un modello distribuibile utilizzando l'SDK AI SageMaker Python, inizializza un `ModelPackage` oggetto e passa l'Amazon Resource Name (ARN) del pacchetto del modello come argomento. `model_package_arn` Esempio:
```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
sagemaker_session=sagemaker_session)
```
Dopo aver creato un modello distribuibile, puoi utilizzarlo per impostare un endpoint per l'inferenza in tempo reale o creare un processo di trasformazione in batch per ottenere le inferenze su set di dati completi. [Per informazioni sull'hosting degli endpoint nell' SageMaker intelligenza artificiale, consulta Deploy Models for Inference.](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)