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 Amazon Nova 2.0 migliorati, 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 Reinforcement (RFT), con opzioni di adattamento completo e di adattamento a basso livello 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 dei modelli SageMaker offre maggiore flessibilità e controllo per ottimizzare i modelli Amazon Nova supportati, ottimizzare gli iperparametri con precisione e implementare tecniche come LoRa parameter-efficient fine-tuning (PEFT), full rank SFT, RFT e Continued (CPT). Pre-Training 

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

SageMaker offre due approcci per personalizzare i modelli Amazon Nova:

**UI-based esperienza**: consente di personalizzare i modelli Amazon Nova tramite un'interfaccia semplice e guidata. Questo approccio offre un flusso di lavoro completo che include formazione, valutazione e distribuzione senza scrivere codice. L' UI-based esperienza è ideale per la sperimentazione rapida, lo sviluppo di prototipi 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 codice. Questo approccio offre una maggiore flessibilità e consente 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 | Piena flessibilità, integrazione della pipeline, controllo della versione | 

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

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

**Amazon Bedrock**: offre 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 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 tutto 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 e supporta 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 limitate (RIG). Questa piattaforma offre la massima flessibilità nella configurazione dell'ambiente di formazione con istanze GPU specializzate e storage Amazon FSx for Lustre integrato, rendendola particolarmente adatta per scenari di formazione distribuita avanzata, 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 su vasta scala, carichi di lavoro aziendali | 

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