As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Usar modelos de base no Studio O Amazon SageMaker Studio permite que você ajuste, implante e avalie modelos JumpStart básicos disponíveis ao público e proprietários diretamente por meio da interface do usuário do Studio. **Importante** Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio Clássico](studio.md). Para começar, navegue até a JumpStart página inicial no Amazon SageMaker Studio. Você pode acessá-la na página **Início** ou no menu do painel do lado esquerdo. Na página **JumpStart**inicial, você pode explorar hubs de modelos de fornecedores de modelos disponíveis ao público e proprietários e pesquisar modelos. Dentro de cada hub de modelos, você pode classificar os modelos por **Mais curtidos**, **Mais baixados**, **Atualizados recentemente** ou filtrá-los por tarefa. Escolha um modelo para ver seu cartão de detalhes. No cartão de detalhes do modelo, você pode escolher **Ajustar**, **Implantar** ou **Avaliar** o modelo, dependendo da opção disponível. Observe que nem todos os modelos estão disponíveis para ajuste ou avaliação. Para obter mais informações sobre como começar a usar o Amazon SageMaker Studio, consulte[SageMaker Estúdio Amazon](studio-updated.md). **Topics** + [Ajustar um modelo no Studio](jumpstart-foundation-models-use-studio-updated-fine-tune.md) + [Implantar um modelo no Studio](jumpstart-foundation-models-use-studio-updated-deploy.md) + [Avaliar um modelo no Studio](jumpstart-foundation-models-use-studio-updated-evaluate.md) + [Use seus SageMaker JumpStart modelos no Amazon Bedrock](jumpstart-foundation-models-use-studio-updated-register-bedrock.md) # Ajustar um modelo no Studio O ajuste treina um modelo pré-treinado em um novo conjunto de dados sem precisar ser treinado do zero. Esse processo, também conhecido como aprendizado por transferência, pode produzir modelos precisos com conjuntos de dados menores e menos tempo de treinamento. Para ajustar os modelos JumpStart básicos, navegue até um cartão de detalhes do modelo na interface do usuário do Studio. Para obter mais informações sobre como abrir JumpStart no Studio, consulte[Abrir JumpStart no Studio](studio-jumpstart.md#jumpstart-open-studio). Depois de navegar até o cartão de detalhes do modelo escolhido, selecione **Treinar** no canto superior direito. Observe que nem todos os modelos têm ajustes disponíveis. **Importante** Alguns modelos de base exigem aceitação explícita de um contrato de licença do usuário final (EULA) antes do ajuste. Para obter mais informações, consulte [Aceitação do EULA no Amazon Studio SageMaker](jumpstart-foundation-models-choose.md#jumpstart-foundation-models-choose-eula-studio). ## Configurações do modelo Ao usar um modelo JumpStart básico pré-treinado no Amazon SageMaker Studio, a **localização do artefato do modelo (URI do Amazon S3**) é preenchida por padrão. Para editar o URI padrão do Amazon S3, selecione **Inserir localização do artefato do modelo**. Nem todos os modelos permitem alterar a localização do artefato do modelo. ## Configurações de dados No campo **Dados**, forneça um ponto do URI do Amazon S3 para a localização do seu conjunto de dados de treinamento. O URI padrão do Amazon S3 indica um exemplo de conjunto de dados de treinamento. Para editar o URI padrão do Amazon S3, selecione **Inserir conjunto de dados de treinamento** e altere o URI. Certifique-se de revisar o cartão de detalhes do modelo no Amazon SageMaker Studio para obter informações sobre a formatação dos dados de treinamento. ## Hiperparâmetros Você pode personalizar os hiperparâmetros do trabalho de treinamento que são usados para ajustar o modelo. Os hiperparâmetros disponíveis para cada modelo ajustável diferem dependendo do modelo. Os seguintes hiperparâmetros são comuns entre os modelos: + **Épocas**: Uma época é um ciclo em todo o conjunto de dados. Vários intervalos completam um lote, e vários lotes eventualmente completam uma época. Várias épocas são executadas até que a precisão do modelo atinja um nível aceitável ou quando a taxa de erro caia abaixo de um nível aceitável. + **Taxa de aprendizado**: A quantidade em que os valores devem ser alterados entre as épocas. À medida que o modelo é refinado, seus pesos internos são ajustados e as taxas de erro são verificadas para ver se o modelo melhora. Uma taxa de aprendizado típica é 0,1 ou 0,01, em que 0,01 é um ajuste muito menor e pode fazer com que o treinamento leve muito tempo para convergir, enquanto 0,1 é muito maior e pode fazer com que o treinamento ultrapasse. É um dos principais hiperparâmetros que você pode ajustar para treinar seu modelo. Observe que, para modelos de texto, uma taxa de aprendizado muito menor (5e-5 para BERT) pode resultar em um modelo mais preciso. + **Tamanho do lote** — O número de registros do conjunto de dados que devem ser selecionados para cada intervalo a serem enviados ao GPUs para treinamento. Analise os prompts com dicas de ferramentas e as informações adicionais no cartão de detalhes do modelo na interface do usuário do Studio para saber mais sobre hiperparâmetros específicos do modelo de sua escolha. Para obter mais informações sobre hiperparâmetros disponíveis, consulte [Hiperparâmetros de ajuste normalmente aceitos](jumpstart-foundation-models-fine-tuning.md#jumpstart-foundation-models-fine-tuning-hyperparameters). ## Implantação Especifique o tipo de instância de treinamento e a localização do artefato de saída para seu trabalho de treinamento. Você só pode escolher entre instâncias que sejam compatíveis com o modelo escolhido por você dentro do ajuste da interface do usuário do Studio. A localização padrão do artefato de saída é o bucket padrão do SageMaker AI. Para alterar a localização do artefato de saída, selecione **Inserir localização do artefato de saída** e altere o URI do Amazon S3. ## Segurança Especifique as configurações de segurança a serem usadas em seu trabalho de treinamento, incluindo a função do IAM que a SageMaker IA usa para treinar seu modelo, se seu trabalho de treinamento deve se conectar a uma nuvem privada virtual (VPC) e quaisquer chaves de criptografia para proteger seus dados. ## Mais informações No campo **Informações adicionais**, você pode editar o nome do trabalho de treinamento. Você também pode adicionar e remover tags na forma de pares de chave-valor para ajudar a organizar e a categorizar seus trabalhos de treinamento de ajuste. Depois de fornecer as informações para sua configuração de ajuste, selecione **Enviar**. Se o modelo de base pré-treinado que você escolheu ajustar exigir a aceitação explícita com um contrato de licença de usuário final (EULA) antes do treinamento, o EULA será fornecido em uma janela pop-up. Para aceitar os termos do EULA, clique em **aceitar**. Você é responsável por revisar e cumprir todos os termos de licença aplicáveis e garantir que eles sejam aceitáveis para seu caso de uso antes de baixar ou usar o modelo. # Implantar um modelo no Studio Para implantar modelos JumpStart básicos, navegue até um cartão de detalhes do modelo na interface do usuário do Studio. Para obter mais informações sobre como abrir JumpStart no Studio, consulte[Abrir JumpStart no Studio](studio-jumpstart.md#jumpstart-open-studio). Depois de navegar até a página de detalhes do modelo escolhido, selecione **Implantar** no canto superior direito da interface do usuário do Studio. Em seguida, siga as etapas em [Implantar modelos com o SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-deploy-models.html#deploy-models-studio). **Importante** Alguns modelos de base exigem a aceitação explícita de um contrato de licença de usuário final (EULA) antes da implantação. Para obter mais informações, consulte [Aceitação do EULA no Amazon Studio SageMaker](jumpstart-foundation-models-choose.md#jumpstart-foundation-models-choose-eula-studio). # Avaliar um modelo no Studio SageMaker JumpStart A Amazon tem integrações com as avaliações de modelos da fundação SageMaker Clarify (FME) no Studio. Se um JumpStart modelo tiver recursos de avaliação integrados disponíveis, você poderá escolher **Avaliar** no canto superior direito da página de detalhes do modelo na interface do usuário do JumpStart Studio. Para obter mais informações, consulte [Avaliar um modelo de base](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-evaluate.html). # Use seus SageMaker JumpStart modelos no Amazon Bedrock Você pode registrar os modelos que você implantou da Amazon no Amazon SageMaker JumpStart Bedrock. Com o Amazon Bedrock, você pode hospedar seu modelo por meio de vários endpoints. Você também pode usar os recursos do Amazon Bedrock, como agentes e bases de conhecimento. Para ter mais informações sobre como usar modelos do Amazon Bedrock, consulte [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** Para migrar seus modelos para o Amazon Bedrock, recomendamos anexar uma [AmazonBedrockFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonBedrockFullAccess.html)política à sua função do IAM. Se você não conseguir anexar uma política gerenciada, garanta que o IAM tenha as seguintes permissões: **** ``` { "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" ] } } } ] } ``` A política de acesso Full do Amazon Bedrock oferece permissões somente para a API do Amazon Bedrock. Para usar o Amazon Bedrock no Console de gerenciamento da AWS, sua função do IAM também deve ter as seguintes permissões: ``` { "Sid": "AllowConsoleS3AccessForBedrockMarketplace", "Effect": "Allow", "Action": [ "s3:GetObject", "s3:GetBucketCORS", "s3:ListBucket", "s3:ListBucketVersions", "s3:GetBucketLocation" ], "Resource": "*" } ``` Se estiver escrevendo sua própria política, você deverá incluir uma declaração de política que permita a ação do Amazon Bedrock Marketplace para o recurso. Por exemplo, a política a seguir permite que o Amazon Bedrock use a operação `InvokeModel` para um modelo implantado em um 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" } } } ] } ``` Depois de implantar um modelo, talvez você consiga usá-lo no Amazon Bedrock. Para saber se você pode usá-lo no Amazon Bedrock, navegue até o cartão de detalhes do modelo na interface de usuário do Studio. Se o cartão do modelo informar que o modelo está **pronto para o Bedrock**, você poderá registrá-lo no Amazon Bedrock. **Importante** Por padrão, a Amazon SageMaker JumpStart desativa o acesso à rede para os modelos que você implanta. Se habilitou o acesso à rede, você não poderá usar o modelo com o Amazon Bedrock. Se quiser usar o modelo com o Amazon Bedrock, reimplante-o com o acesso à rede desabilitado. Para usá-lo com o Amazon Bedrock, acesse a página **Detalhes do endpoint** e escolha **Usar com o Bedrock** no canto superior direito da UI do Studio. Quando o pop-up for exibido, escolha **Registrar no Bedrock**.