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.

# Opzioni di implementazione dei modelli in Amazon SageMaker AI
<a name="how-it-works-deployment"></a>

Dopo aver addestrato il tuo modello di machine learning, puoi distribuirlo utilizzando Amazon SageMaker AI per ottenere previsioni. Amazon SageMaker AI supporta i seguenti modi per distribuire un modello, a seconda del caso d'uso:
+ Per endpoint persistenti e in tempo reale che effettuano una previsione alla volta, utilizza i servizi di hosting SageMaker AI in tempo reale. Per informazioni, consulta [Real-time inferenza](realtime-endpoints.md).
+ I carichi di lavoro che presentano periodi di inattività tra picchi di traffico e possono tollerare avvii a freddo utilizzano Inferenza serverless. Per informazioni, consulta [Implementa modelli con Amazon SageMaker Serverless Inference](serverless-endpoints.md).
+ Le richieste con payload di grandi dimensioni fino a 1 GB, lunghi tempi di elaborazione e requisiti di latenza quasi in tempo reale, utilizzano Amazon SageMaker Asynchronous Inference. Per informazioni, consulta [Inferenza asincrona](async-inference.md).
+ Per ottenere previsioni per un intero set di dati, usa la trasformazione in batch AI. SageMaker Per informazioni, consulta [Trasformazione in batch per l'inferenza con Amazon SageMaker AI](batch-transform.md).

SageMaker L'intelligenza artificiale fornisce anche funzionalità per gestire le risorse e ottimizzare le prestazioni di inferenza durante l'implementazione di modelli di apprendimento automatico:
+ Per gestire modelli su dispositivi edge in modo da ottimizzare, proteggere, monitorare e mantenere modelli di machine learning su parchi di dispositivi edge, consulta [Implementazione di modelli all'edge con SageMaker Edge Manager](edge.md). Questo vale per i dispositivi edge come fotocamere intelligenti, robot, personal computer e dispositivi mobili.
+ Per ottimizzare i modelli Gluon, Keras, MXNet, PyTorch TensorFlow TensorFlow-Lite, e ONNX per l'inferenza su macchine Android, Linux e Windows basate su processori di Ambarella, ARM, Intel, Nvidia, NXP, Qualcomm, Texas Instruments e Xilinx, vedi. [Ottimizzazione delle prestazioni dei modelli con SageMaker Neo](neo.md)

Per ulteriori informazioni su tutte le opzioni di implementazione, consulta [Implementa modelli per l'inferenza](deploy-model.md).