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.

# Nozioni di base
<a name="model-customize-evaluation-getting-started"></a>

## Invia un lavoro di valutazione tramite SageMaker Studio
<a name="model-customize-evaluation-studio"></a>

### Passaggio 1: accedi alla valutazione dalla tua scheda modello
<a name="model-customize-evaluation-studio-step1"></a>

Dopo aver personalizzato il modello, accedi alla pagina di valutazione dalla scheda del modello.

Per informazioni sull'allenamento con modelli personalizzati a pesi aperti: [https://docs.aws.amazon.com/sagemaker/latest/dg/model- .html customize-open-weight-job](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-open-weight-job.html)

SageMaker visualizza il tuo modello personalizzato nella scheda I miei modelli:

![\[pagina della scheda modello registrata\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/getting-started-registered-model-card.png)


Scegli Visualizza la versione più recente, quindi scegli Valuta:

![\[Pagina di personalizzazione del modello\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/getting-started-evaluate-from-model-card.png)


### Fase 2: Invia il tuo Job di valutazione
<a name="model-customize-evaluation-studio-step2"></a>

Scegli il pulsante Invia e invia il tuo lavoro di valutazione. Questo invia un lavoro di benchmark MMLU minimo.

Per informazioni sui tipi di processi di valutazione supportati, vedere. [Tipi di valutazione e Job Submission](model-customize-evaluation-types.md)

![\[Pagina di invio del lavoro di valutazione\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/getting-started-benchmark-submission.png)


### Fase 3: Monitora lo stato di avanzamento del tuo Job di valutazione
<a name="model-customize-evaluation-studio-step3"></a>

L'avanzamento del lavoro di valutazione viene monitorato nella scheda Fasi di valutazione:

![\[Lo stato di avanzamento del processo di valutazione\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/getting-started-benchmark-tracking.png)


### Fase 4: Visualizzazione dei risultati del Job di valutazione
<a name="model-customize-evaluation-studio-step4"></a>

I risultati del lavoro di valutazione vengono visualizzati nella scheda Risultati della valutazione:

![\[Le metriche del tuo lavoro di valutazione\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/getting-started-benchmark-results.png)


### Fase 5: Visualizza le valutazioni completate
<a name="model-customize-evaluation-studio-step5"></a>

Il lavoro di valutazione completato viene visualizzato nella scheda Valutazioni del modello:

![\[I tuoi lavori di valutazione completati\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/getting-started-benchmark-completed-model-card.png)


## Invia il tuo lavoro di valutazione tramite SageMaker Python SDK
<a name="model-customize-evaluation-sdk"></a>

### Passaggio 1: crea il tuo BenchMarkEvaluator
<a name="model-customize-evaluation-sdk-step1"></a>

Passa il modello addestrato registrato, la posizione di output AWS S3 e l'ARN della MLFlow risorsa e quindi `BenchMarkEvaluator` inizializzali.

```
from sagemaker.train.evaluate import BenchMarkEvaluator, Benchmark  
  
evaluator = BenchMarkEvaluator(  
    benchmark=Benchmark.MMLU,  
    model="arn:aws:sagemaker:<region>:<account-id>:model-package/<model-package-name>/<version>",  
    s3_output_path="s3://<bucket-name>/<prefix>/eval/",  
    mlflow_resource_arn="arn:aws:sagemaker:<region>:<account-id>:mlflow-tracking-server/<tracking-server-name>",  
    evaluate_base_model=False  
)
```

### Fase 2: Invia il tuo Job di valutazione
<a name="model-customize-evaluation-sdk-step2"></a>

Chiama il `evaluate()` metodo per inviare il lavoro di valutazione.

```
execution = evaluator.evaluate()
```

### Fase 3: Monitora lo stato di avanzamento del tuo Job di valutazione
<a name="model-customize-evaluation-sdk-step3"></a>

Richiama il `wait()` metodo di esecuzione per ottenere un aggiornamento in tempo reale sullo stato di avanzamento del lavoro di valutazione.

```
execution.wait(target_status="Succeeded", poll=5, timeout=3600)
```

### Fase 4: Visualizzazione dei risultati del Job di valutazione
<a name="model-customize-evaluation-sdk-step4"></a>

Richiama il `show_results()` metodo per visualizzare i risultati del lavoro di valutazione.

```
execution.show_results()
```