Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Pengajuan pekerjaan kustomisasi model AI
Kemampuan kustomisasi model SageMaker AI dapat diakses dari halaman Model Amazon SageMaker Studio di panel sebelah kiri. Anda juga dapat menemukan halaman Aset tempat Anda dapat membuat dan mengelola Dataset dan Evaluator kustomisasi model Anda.
Untuk memulai pengiriman pekerjaan penyesuaian model, pilih opsi Model untuk mengakses tab Model Dasar Jumpstart:
Anda dapat langsung mengklik Sesuaikan model di kartu model atau Anda dapat mencari model apa pun dari Meta yang Anda minati untuk disesuaikan.
Setelah mengklik kartu model, Anda dapat mengakses halaman detail model dan meluncurkan tugas penyesuaian dengan mengklik Sesuaikan model dan kemudian memilih Sesuaikan dengan UI untuk memulai mengonfigurasi pekerjaan RLVR Anda.
Anda kemudian dapat memasukkan nama model kustom Anda, memilih teknik kustomisasi model yang akan digunakan dan mengkonfigurasi hyperparameters pekerjaan Anda:
Pengajuan pekerjaan kustomisasi model AI menggunakan SDK
Anda juga dapat menggunakan SageMaker AI Python SDK untuk mengirimkan pekerjaan penyesuaian model:
# Submit a DPO model customization job from sagemaker.modules.train.dpo_trainer import DPOTrainer from sagemaker.modules.train.common import TrainingType trainer = DPOTrainer( model=BASE_MODEL, training_type=TrainingType.LORA, model_package_group_name=MODEL_PACKAGE_GROUP_NAME, training_dataset=TRAINING_DATASET, s3_output_path=S3_OUTPUT_PATH, sagemaker_session=sagemaker_session, role=ROLE_ARN )
Memantau pekerjaan kustomisasi Anda
Segera setelah mengirimkan pekerjaan Anda, Anda akan diarahkan kembali ke halaman pekerjaan pelatihan penyesuaian model Anda.
Setelah pekerjaan selesai, Anda dapat pergi ke halaman detail model kustom Anda dengan mengklik Buka Model Kustom tombol di sudut kanan atas.
Di halaman detail model kustom Anda dapat bekerja lebih lanjut dengan model kustom Anda dengan:
-
Memeriksa informasi tentang kinerja, lokasi artefak yang dihasilkan, konfigurasi pelatihan hiper-parameter dan log pelatihan.
-
Luncurkan pekerjaan evaluasi dengan kumpulan data yang berbeda (Kustomisasi lanjutan).
-
Terapkan model menggunakan titik akhir Inferensi SageMaker AI atau Impor Model Kustom Amazon Bedrock.