Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Implementación de modelos fundacionales disponibles públicamente con la clase `JumpStartModel`
<a name="jumpstart-foundation-models-use-python-sdk-model-class"></a>

Con el SageMaker Python SDK, puede implementar un algoritmo integrado o un modelo previamente entrenado en un punto final de SageMaker IA con solo unas pocas líneas de código.

1. En primer lugar, busca el identificador del modelo que prefieras en la tabla de [Built-in algoritmos con modelos previamente entrenados](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html).

1. Con el ID del modelo, defina su modelo como JumpStart modelo.

   ```
   from sagemaker.jumpstart.model import JumpStartModel
   
   model_id = {{"huggingface-text2text-flan-t5-xl"}}
   my_model = JumpStartModel(model_id=model_id)
   ```

1. Utilice el método `deploy` para implementar automáticamente el modelo para inferencia. En este ejemplo, utilizamos el modelo FLAN-T5 XL deHugging Face.

   ```
   predictor = my_model.deploy()
   ```

1. A continuación, puede ejecutar inferencia con el modelo implementado utilizando el método `predict`.

   ```
   question = {{"What is Southern California often abbreviated as?"}}
   response = predictor.predict(question)
   print(response)
   ```

**nota**  
En este ejemplo, se utiliza el modelo básico FLAN-T5 XL, que es adecuado para una amplia gama de casos de uso de la generación de texto, como la respuesta a preguntas, la síntesis, la creación de chatbots, etc. Para obtener más información acerca de casos de uso de modelos, consulte [Modelos fundacionales disponibles](jumpstart-foundation-models-latest.md).

Para obtener más información sobre la `JumpStartModel ` clase y sus parámetros, consulte. [JumpStartModel](https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.jumpstart.model.JumpStartModel)

## Comprobación de tipos de instancia predeterminados
<a name="jumpstart-foundation-models-use-python-sdk-model-class-instance-types"></a>

Si lo desea, puede incluir versiones de modelos o tipos de instancias específicos al ajustar un modelo previamente entrenado con la clase `JumpStartModel`. Todos los JumpStart modelos tienen un tipo de instancia predeterminado. Recupere el tipo de instancia de implementación predeterminado mediante el siguiente código:

```
from sagemaker import instance_types

instance_type = instance_types.retrieve_default(
    model_id=model_id,
    model_version=model_version,
    scope={{"inference"}})
print(instance_type)
```

Consulta todos los tipos de instancias compatibles con un JumpStart modelo determinado con el `instance_types.retrieve()` método.

## Uso de componentes de inferencia para implementar varios modelos en un punto de conexión compartido
<a name="jumpstart-foundation-models-use-python-sdk-model-class-endpoint-types"></a>

Un componente de inferencia es un objeto de alojamiento de SageMaker IA que se puede utilizar para implementar uno o más modelos en un punto final a fin de aumentar la flexibilidad y la escalabilidad. Debe cambiarlo `endpoint_type` para que su JumpStart modelo esté basado en componentes de inferencia y no en el punto final predeterminado basado en el modelo. 

```
predictor = my_model.deploy(
    endpoint_name = {{'jumpstart-model-id-123456789012'}}, 
    endpoint_type = {{EndpointType.INFERENCE_COMPONENT_BASED}}
)
```

Para obtener más información sobre la creación de puntos finales con componentes de inferencia y la implementación de modelos de IA, consulte. SageMaker [Utilización de recursos compartidos con varios modelos](realtime-endpoints-deploy-models.md#deployed-shared-utilization)

## Comprobación de formatos de inferencia de entrada y salida válidos
<a name="jumpstart-foundation-models-use-python-sdk-model-class-input-output"></a>

Para comprobar los formatos de entrada y salida de datos válidos para inferencia, puede utilizar el método `retrieve_options()` desde las clases `Serializers` y `Deserializers`.

```
print(sagemaker.serializers.retrieve_options(model_id=model_id, model_version=model_version))
print(sagemaker.deserializers.retrieve_options(model_id=model_id, model_version=model_version))
```

## Comprobación de contenido compatible y aceptación de tipos
<a name="jumpstart-foundation-models-use-python-sdk-model-class-content-types"></a>

Del mismo modo, puede utilizar el método `retrieve_options()` para comprobar contenido compatible y aceptar tipos para un modelo.

```
print(sagemaker.content_types.retrieve_options(model_id=model_id, model_version=model_version))
print(sagemaker.accept_types.retrieve_options(model_id=model_id, model_version=model_version))
```

Para obtener más información sobre utilidades, consulte [API de utilidades](https://sagemaker.readthedocs.io/en/stable/api/utility/index.html).