Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Terapkan model pondasi dan model penyesuaian khusus
Baik Anda menerapkan bobot terbuka atau model terjaga keamanannya yang telah dilatih sebelumnya dari Amazon atau model kustom SageMaker JumpStart atau penyesuaian Anda sendiri yang disimpan di Amazon S3 atau Amazon SageMaker HyperPod FSx, menyediakan infrastruktur fleksibel dan skalabel yang Anda perlukan untuk beban kerja inferensi produksi.
| Menyebarkan model pondasi berbobot terbuka dan terjaga keamanannya dari JumpStart | Terapkan model khusus dan disetel dengan baik dari Amazon S3 dan Amazon FSx | Terapkan model dari penyimpanan NVMe lokal | |
|---|---|---|---|
| Deskripsi |
Terapkan dari katalog komprehensif model pondasi pra-terlatih dengan kebijakan pengoptimalan dan penskalaan otomatis yang disesuaikan dengan setiap keluarga model. |
Bawa model Anda sendiri yang disesuaikan dan disesuaikan serta gunakan infrastruktur SageMaker HyperPod perusahaan untuk inferensi skala produksi. Pilih antara penyimpanan hemat biaya dengan Amazon S3 atau sistem file berkinerja tinggi dengan Amazon FSx. | Muat bobot model dari penyimpanan NVMe lokal node untuk menghilangkan latensi jaringan selama startup pod. Berguna untuk peristiwa penskalaan otomatis, beban kerja skala-dari-nol, dan failover yang sensitif terhadap latensi. |
| Manfaat utama |
|
|
|
| Opsi penyebaran |
|
|
|
Bagian berikut mengarahkan Anda melalui penerapan model dari Amazon SageMaker JumpStart, dari Amazon S3 dan Amazon FSx, dan dari penyimpanan NVMe lokal.