As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Criação de ativos para personalização de modelos na interface do usuário

Você pode criar e gerenciar o conjunto de dados e os ativos do avaliador que você pode usar para personalização do modelo na interface do usuário.

Ativos

Selecione Ativos no painel esquerdo e na interface do usuário do Amazon SageMaker Studio e, em seguida, selecione Conjuntos de dados.

Escolha Carregar conjunto de dados para adicionar o conjunto de dados que você usará em seus trabalhos de personalização do modelo. Ao escolher o formato de entrada de dados obrigatório, você pode acessar uma referência do formato do conjunto de dados a ser usado.

Avaliadores

Você também pode adicionar funções de recompensa e solicitações de recompensa para seus trabalhos de personalização do Reinforcement Learning.

A interface do usuário também fornece orientação sobre o formato necessário para a função de recompensa ou solicitação de recompensa.

Ativos para personalização de modelos usando o SDK AWS

Você também pode usar o SDK SageMaker AI Python para criar ativos. Veja um exemplo de trecho de código abaixo:

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)