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.

# Creazione di risorse per la personalizzazione del modello nell'interfaccia utente
<a name="model-customize-open-weight-create-assets-ui"></a>

È possibile creare e gestire il set di dati e le risorse di valutazione che è possibile utilizzare per la personalizzazione del modello nell'interfaccia utente.

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

Seleziona **Assets** nel pannello a sinistra e nell'interfaccia utente di Amazon SageMaker Studio, quindi seleziona **Datasets.**

![Un'immagine contenente l'accesso alla personalizzazione del modello.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/screenshot-open-model-16.png)


Scegli **Carica set** di dati per aggiungere il set di dati che utilizzerai nei lavori di personalizzazione del modello. Scegliendo il **formato di input dei dati richiesto**, puoi accedere a un riferimento del formato del set di dati da utilizzare.

![Un'immagine contenente l'accesso alla personalizzazione del modello.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/screenshot-open-model-15.png)


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

Puoi anche aggiungere **Reward Functions e Reward** **Prompt per i** tuoi lavori di personalizzazione del Reinforcement Learning.

![Un'immagine contenente l'accesso alla personalizzazione del modello.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/screenshot-open-model-14.png)


L'interfaccia utente fornisce anche indicazioni sul formato richiesto per la funzione di ricompensa o la richiesta di ricompensa.

![Un'immagine contenente l'accesso alla personalizzazione del modello.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/screenshot-open-model-13.png)


## Risorse per la personalizzazione del modello tramite SDK AWS
<a name="model-customize-open-weight-create-assets-sdk"></a>

Puoi anche usare SageMaker AI Python SDK per creare risorse. Vedi il frammento di codice di esempio riportato di seguito:

```
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)
```