Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Membuat aset untuk kustomisasi model di UI
<a name="model-customize-open-weight-create-assets-ui"></a>

Anda dapat membuat dan mengelola kumpulan data dan aset evaluator yang dapat Anda gunakan untuk penyesuaian model di UI.

## Aset
<a name="model-customize-open-weight-assets"></a>

Pilih **Aset** di panel sebelah kiri dan Amazon SageMaker Studio UI lalu pilih **Datasets**.

![\[Gambar yang berisi akses ke kustomisasi model.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/screenshot-open-model-16.png)


Pilih **Unggah Dataset** untuk menambahkan kumpulan data yang akan Anda gunakan dalam pekerjaan penyesuaian model Anda. Dengan memilih **format input data yang diperlukan**, Anda dapat mengakses referensi format kumpulan data yang akan digunakan.

![\[Gambar yang berisi akses ke kustomisasi model.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/screenshot-open-model-15.png)


## Evaluator
<a name="model-customize-open-weight-evaluators"></a>

Anda juga dapat menambahkan **Fungsi Hadiah** dan **Prompt Hadiah** untuk pekerjaan kustomisasi Pembelajaran Penguatan Anda.

![\[Gambar yang berisi akses ke kustomisasi model.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/screenshot-open-model-14.png)


UI juga memberikan panduan tentang format yang diperlukan untuk fungsi hadiah atau prompt hadiah.

![\[Gambar yang berisi akses ke kustomisasi model.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/screenshot-open-model-13.png)


## Aset untuk kustomisasi model menggunakan AWS SDK
<a name="model-customize-open-weight-create-assets-sdk"></a>

Anda juga dapat menggunakan SageMaker AI Python SDK untuk membuat aset. Lihat contoh potongan kode di bawah ini:

```
from sagemaker.ai_registry.air_constants import REWARD_FUNCTION, REWARD_PROMPT
from sagemaker.ai_registry.dataset import DataSet, CustomizationTechnique
from sagemaker.ai_registry.evaluator import Evaluator

# Creating a dataset example
dataset = DataSet.create(
            name="sdkv3-gen-ds2",
            source="s3://sample-test-bucket/datasets/training-data/jamjee-sft-ds1.jsonl", # or use local filepath as source.
            customization_technique=CustomizationTechnique.SFT
        )

# Refreshes status from hub
dataset.refresh()
pprint(dataset.__dict__)

# Creating an evaluator. Method : Lambda
evaluator = Evaluator.create(
                name = "sdk-new-rf11",
                source="arn:aws:lambda:us-west-2:<>:function:<function-name>8",
                type=REWARD_FUNCTION
        )

# Creating an evaluator. Method : Bring your own code
evaluator = Evaluator.create(
                name = "eval-lambda-test",
                source="/path_to_local/eval_lambda_1.py",
                type = REWARD_FUNCTION
        )

# Optional wait, by default we have wait = True during create call.
evaluator.wait()

evaluator.refresh()
pprint(evaluator)
```