기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# UI에서 모델 사용자 지정을 위한 자산 생성
<a name="model-customize-open-weight-create-assets-ui"></a>

UI에서 모델 사용자 지정에 사용할 수 있는 데이터 세트 및 평가자 자산을 생성하고 관리할 수 있습니다.

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

왼쪽 패널과 Amazon SageMaker Studio UI에서 **자산을** 선택한 다음 **데이터세트를** 선택합니다.

![모델 사용자 지정에 대한 액세스 권한이 포함된 이미지입니다.](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/screenshot-open-model-16.png)


**데이터 세트 업로드**를 선택하여 모델 사용자 지정 작업에 사용할 데이터 세트를 추가합니다. **필수 데이터 입력 형식을** 선택하면 사용할 데이터 세트 형식의 참조에 액세스할 수 있습니다.

![모델 사용자 지정에 대한 액세스 권한이 포함된 이미지입니다.](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/screenshot-open-model-15.png)


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

강화 학습 사용자 지정 작업에 보상 **함수** 및 **보상 프롬프트를** 추가할 수도 있습니다.

![모델 사용자 지정에 대한 액세스 권한이 포함된 이미지입니다.](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/screenshot-open-model-14.png)


UI는 보상 함수 또는 보상 프롬프트에 필요한 형식에 대한 지침도 제공합니다.

![모델 사용자 지정에 대한 액세스 권한이 포함된 이미지입니다.](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/screenshot-open-model-13.png)


## AWS SDK를 사용한 모델 사용자 지정을 위한 자산
<a name="model-customize-open-weight-create-assets-sdk"></a>

SageMaker AI Python SDK를 사용하여 자산을 생성할 수도 있습니다. 아래 샘플 코드 조각을 참조하세요.

```
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)
```