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.

# SageMaker Empregos de treinamento em IA
<a name="customizing-models-training-jobs"></a>

[O Amazon SageMaker AI Training Jobs ](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html) é um serviço totalmente gerenciado que você pode usar para treinar AI/ML modelos em grande escala com eficiência. Com o SageMaker AI Training Jobs, você pode selecionar e gerenciar instâncias de computação para personalização do modelo. Você tem controle total sobre o tipo e a configuração da instância. Os trabalhos são efêmeros — as instâncias são provisionadas durante o treinamento e liberadas quando concluídas. Para obter mais informações sobre trabalhos de treinamento em SageMaker IA, consulte [ Treinar um modelo com a Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/train-model.html).

Para uma experiência totalmente gerenciada sem a seleção de instâncias, consulte[Personalização de modelos sem servidor](customize-model.md).

## Visão geral do
<a name="training-jobs-overview"></a>

### Disponibilidade regional
<a name="training-jobs-regional"></a>

SageMaker As vagas de treinamento em IA estão disponíveis em todas as regiões de SageMaker IA.

### Interfaces
<a name="training-jobs-interfaces"></a>

Fórmulas  
Execute receitas de treinamento pré-configuradas usando o [ SageMaker AI Recipes](https://github.com/aws/sagemaker-hyperpod-recipes). As receitas funcionam com trabalhos de treinamento de SageMaker IA e automatizam o carregamento de conjuntos de dados [ HyperPod](customizing-models-hyperpod.md), o treinamento distribuído e o gerenciamento de pontos de verificação.

PythonSDK VERSÃO 3 () ModelTrainer  
Use a `ModelTrainer` classe do SageMaker AI Python SDK para enviar trabalhos de treinamento de forma programática com controle total sobre a seleção e a configuração da instância.  

```
from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)

trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])
```

Studio (modelos antigos)  
Para modelos mais antigos, use o cartão de detalhes do modelo → botão Treinar no Studio. Esse fluxo permite a seleção de instâncias e a configuração de hiperparâmetros.

### Técnicas suportadas
<a name="training-jobs-supported-techniques"></a>
+ SFT, DPO, RLVR, RLAIF (via Receitas)
+ PPO (somente modelos Amazon Nova)
+ CPT (continuação Pre-Training)

### Tipos de treinamento compatíveis
<a name="training-jobs-supported-training-types"></a>
+ LoRA
+ FFT (Completo Fine-Tuning)

## Introdução
<a name="training-jobs-getting-started"></a>

Para começar com trabalhos de treinamento em SageMaker IA usando receitas:

1. Clone o repositório de receitas: 

   ```
   git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
   cd sagemaker-hyperpod-recipes
   pip3 install -r requirements.txt
   ```

1. Escolha uma receita `recipes_collection/recipes/fine-tuning/` para seu modelo e técnica.

1. Configure seu caminho de dados de treinamento e hiperparâmetros no arquivo YAML da receita.

1. Inicie o trabalho de treinamento usando o script do inicializador.

Para tutoriais detalhados, consulte a documentação de HyperPod receitas de [ SageMaker IA. ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html)