Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Implementación de modelos fundacionales y modelos de ajuste fino personalizados
<a name="sagemaker-hyperpod-model-deployment-deploy"></a>

Ya sea que esté implementando modelos básicos preentrenados de contrapesos o cerrados de Amazon SageMaker JumpStart o sus propios modelos personalizados o ajustados almacenados en Amazon S3 o Amazon FSx, SageMaker HyperPod proporciona la infraestructura flexible y escalable que necesita para las cargas de trabajo de inferencia de producción.




****  

|  | Implemente modelos de bases abiertas y cerradas desde JumpStart | Implemente modelos personalizados y ajustados de Amazon S3 y Amazon FSx | 
| --- | --- | --- | 
| Descripción | Implemente desde un catálogo completo de modelos fundacionales previamente entrenados con políticas de escalado y optimización automáticas adaptadas a cada familia de modelos. | Utilice sus propios modelos personalizados y ajustados y aproveche la infraestructura empresarial de la empresa para realizar inferencias a SageMaker HyperPod escala de producción. Elija entre un almacenamiento rentable con Amazon S3 o un sistema de archivos de alto rendimiento con Amazon FSx. | 
| Ventajas principales | [See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/sagemaker-hyperpod-model-deployment-deploy.html) |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/sagemaker-hyperpod-model-deployment-deploy.html)  | 
| Opciones de implementación |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/sagemaker-hyperpod-model-deployment-deploy.html)  |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/sagemaker-hyperpod-model-deployment-deploy.html)  | 

En las siguientes secciones, se explica cómo implementar modelos de Amazon SageMaker JumpStart y Amazon S3 y Amazon FSx.

**Topics**
+ [Implemente modelos a JumpStart partir de Amazon SageMaker Studio](sagemaker-hyperpod-model-deployment-deploy-js-ui.md)
+ [Implemente modelos JumpStart utilizando kubectl](sagemaker-hyperpod-model-deployment-deploy-js-kubectl.md)
+ [Implemente modelos personalizados y ajustados de Amazon S3 y Amazon mediante kubectl FSx](sagemaker-hyperpod-model-deployment-deploy-ftm.md)
+ [Implementación de modelos de ajuste fino personalizados desde el SDK de Python y la CLI de HyperPod](deploy-trained-model.md) 
+ [Implemente modelos de Amazon SageMaker JumpStart mediante el SDK de Python y HPCLI](deploy-jumpstart-model.md)