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.

# Personalizzazione dei modelli Amazon Nova sull'intelligenza artificiale SageMaker
<a name="nova-model"></a>

Puoi personalizzare i modelli Amazon Nova, inclusi i modelli avanzati di Amazon Nova 2.0, tramite [ ricette ](nova-model-recipes.md#nova-model-get-recipes) e addestrarli SageMaker. Queste ricette supportano tecniche come il supervised fine-tuning (SFT) e il rinforzo (RFT), con opzioni di adattamento completo e basso rango Fine-Tuning (LoRa).

Il flusso di lavoro di personalizzazione end-to-end prevede fasi come l’addestramento dei modelli, la valutazione dei modelli e l’implementazione per l’inferenza. Questo approccio di personalizzazione del modello SageMaker offre maggiore flessibilità e controllo per mettere a punto i modelli Amazon Nova supportati, ottimizzare gli iperparametri con precisione e implementare tecniche come LoRa parameter-efficient fine-tuning (PEFT), SFT full-rank, RFT e Continued Pre-Training (CPT).

## Approcci di personalizzazione
<a name="nova-model-customization-approaches"></a>

SageMaker offre due approcci per personalizzare i modelli Amazon Nova:

**UI-based esperienza**: utilizza Amazon SageMaker Studio per personalizzare i modelli Amazon Nova tramite un'interfaccia semplice e guidata. Questo approccio fornisce un flusso di lavoro end-to-end che include formazione, valutazione e distribuzione senza scrivere codice. L' UI-based esperienza è ideale per la sperimentazione rapida, lo sviluppo di bozze e per gli utenti che preferiscono un flusso di lavoro visivo.

**Code-based esperienza**: usa SageMaker Python SDK, Nova SDK e le ricette di formazione per personalizzare i modelli a livello di programmazione. Questo approccio offre una maggiore flessibilità, consentendo di configurare iperparametri avanzati, integrarsi con le CI/CD pipeline e automatizzare i flussi di lavoro di formazione. L'esperienza basata sul codice è consigliata per carichi di lavoro di produzione, requisiti di personalizzazione complessi e team con pratiche MLOps consolidate.



| Approccio | Ideale per | Vantaggi principali | 
| --- | --- | --- | 
| UI-based | Sperimentazione, prototipazione, iterazioni rapide | Configurazione semplice, flusso di lavoro guidato, nessuna codifica richiesta | 
| Code-based | Produzione, automazione, configurazioni avanzate | Flessibilità completa, integrazione della pipeline, controllo delle versioni | 

## Piattaforme di personalizzazione
<a name="nova-model-customization-platforms"></a>

AWS offre tre piattaforme per personalizzare i modelli Amazon Nova, ciascuna progettata per diversi casi d'uso e requisiti:

**Amazon Bedrock**: fornisce il percorso più semplice e veloce per la personalizzazione del modello con una configurazione minima. Bedrock gestisce automaticamente tutta la gestione dell'infrastruttura, consentendoti di concentrarti sui tuoi dati e sul caso d'uso. Questa piattaforma è ideale quando hai bisogno del time-to-value più rapido e preferisci un'esperienza completamente gestita.

**SageMaker lavori di formazione**: fornisce un ambiente completamente gestito per la personalizzazione dei modelli Amazon Nova in cui non è necessario creare o mantenere alcun cluster. Il servizio gestisce automaticamente il provisioning, la scalabilità e la gestione delle risorse dell'infrastruttura, consentendoti di concentrarti sulla configurazione dei parametri di formazione e sull'invio del lavoro. Questa piattaforma offre un equilibrio tra facilità d'uso e flessibilità, supportando tecniche come Parameter Efficient Fine-tuning (PEFT), Full rank fine tuning e Reinforcement (RFT). Fine-Tuning 

**SageMaker HyperPod**— Offre un ambiente specializzato per la formazione distribuita su larga scala richiedendo la creazione e la gestione di cluster EKS con gruppi di istanze ristrette (RIG). Questa piattaforma offre la massima flessibilità nella configurazione del tuo ambiente di formazione con istanze GPU specializzate e storage Amazon FSx for Lustre integrato, rendendola particolarmente adatta per scenari di formazione distribuita avanzati, sviluppo continuo di modelli e carichi di lavoro di personalizzazione su scala aziendale.



| Platform (Piattaforma) | Complessità | Flessibilità | Ideale per | 
| --- | --- | --- | --- | 
| Amazon Bedrock | Minimo | Standard | Personalizzazione più rapida, configurazione minima | 
| SageMaker lavori di formazione | Media | Elevata | Flessibilità e facilità d'uso bilanciate | 
| SageMaker HyperPod | Massimo | Massimo | Formazione distribuita di grandi dimensioni, carichi di lavoro aziendali | 

**Nota**  
Se fornisci una chiave KMS per il tuo corso di formazione sulla personalizzazione dei modelli Amazon Nova per la crittografia nel bucket S3 di Amazon-owned output:  
Devi fornire la stessa chiave KMS quando richiami i processi di formazione iterativi successivi o quando chiami l'API Amazon CreateCustomModel Bedrock sfruttando il modello crittografato.
L'identità che chiama l'`CreateTrainingJob`API (anziché il ruolo di esecuzione) deve disporre delle autorizzazioni per`CreateGrant`, `RetireGrant``Encrypt`, e `GenerateDataKey` come definito nella politica delle chiavi KMS.