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.
Implantar modelos de base e modelos personalizados e ajustados
Se você estiver implantando modelos pré-treinados de base abertos ou fechados da Amazon ou seus próprios modelos personalizados SageMaker JumpStart ou ajustados armazenados no Amazon S3 ou no Amazon FSx, SageMaker HyperPod fornece a infraestrutura flexível e escalável de que você precisa para cargas de trabalho de inferência de produção.
| Implemente modelos de bases abertas e fechadas da JumpStart | Implementar modelos personalizados e ajustados do Amazon S3 e do Amazon FSx | Implemente modelos a partir do armazenamento NVMe local | |
|---|---|---|---|
| Descrição |
Implemente com base em um catálogo abrangente de modelos de base pré-treinados com políticas automáticas de otimização e escalabilidade personalizadas para cada família de modelos. |
Traga seus próprios modelos personalizados e ajustados e use a infraestrutura corporativa para inferência em escala SageMaker HyperPod de produção. Escolha entre um armazenamento econômico com o Amazon S3 ou um sistema de arquivos de alto desempenho com o Amazon FSx. | Carregue os pesos do modelo do armazenamento NVMe local de um nó para eliminar a latência da rede durante a inicialização do pod. Útil para eventos de escalonamento automático, cargas de trabalho com escalabilidade zero e failovers sensíveis à latência. |
| Benefícios principais |
|
|
|
| Opções de implantação |
|
|
|
As seções a seguir orientam você na implantação de modelos da Amazon SageMaker JumpStart, do Amazon S3 e do Amazon FSx e do armazenamento NVMe local.
Tópicos
