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.
# Implementazione dei modelli di fondazione disponibili al pubblico con la classe `JumpStartModel`
Puoi implementare un algoritmo integrato o un modello pre-addestrato su un endpoint di SageMaker intelligenza artificiale in poche righe di codice utilizzando l'SDK. SageMaker Python
1. Innanzitutto, trova l'ID del modello per il modello di tua scelta nella tabella [Built-in Algorithms](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) with pre-training Model Table.
1. Utilizzando l'ID del modello, definisci il tuo modello come JumpStart modello.
```
from sagemaker.jumpstart.model import JumpStartModel
model_id = {{"huggingface-text2text-flan-t5-xl"}}
my_model = JumpStartModel(model_id=model_id)
```
1. Utilizza il metodo `deploy` per implementare automaticamente il modello per l’inferenza. In questo esempio, utilizziamo il modello FLAN-T5 XL diHugging Face.
```
predictor = my_model.deploy()
```
1. È quindi possibile eseguire l’inferenza con il modello implementato utilizzando il metodo `predict`.
```
question = {{"What is Southern California often abbreviated as?"}}
response = predictor.predict(question)
print(response)
```
**Nota**
Questo esempio utilizza il modello base FLAN-T5 XL, adatto a un'ampia gamma di casi d'uso per la generazione di testo, tra cui la risposta a domande, il riepilogo, la creazione di chatbot e altro ancora. Per ulteriori informazioni sui casi d’uso dei modelli, consulta [Modelli di fondazione disponibili](jumpstart-foundation-models-latest.md).
Per ulteriori informazioni sulla `JumpStartModel ` classe e i relativi parametri, consultate. [JumpStartModel](https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.jumpstart.model.JumpStartModel)
## Controllo dei tipi di istanza predefiniti
Se lo desideri, durante l’implementazione di un modello preaddestrato puoi includere versioni di modello o tipi di istanza specifici utilizzando la classe `JumpStartModel`. Tutti i JumpStart modelli hanno un tipo di istanza predefinito. Recupera il tipo di istanza di implementazione predefinita utilizzando il seguente codice:
```
from sagemaker import instance_types
instance_type = instance_types.retrieve_default(
model_id=model_id,
model_version=model_version,
scope={{"inference"}})
print(instance_type)
```
Visualizza tutti i tipi di istanza supportati per un determinato JumpStart modello con il `instance_types.retrieve()` metodo.
## Utilizzo dei componenti di inferenza per implementare più modelli su un endpoint condiviso
Un componente di inferenza è un oggetto di hosting SageMaker AI che puoi utilizzare per distribuire uno o più modelli su un endpoint per aumentare la flessibilità e la scalabilità. È necessario modificare il JumpStart modello in modo che sia `endpoint_type` basato su componenti di inferenza anziché sull'endpoint predefinito basato sul modello.
```
predictor = my_model.deploy(
endpoint_name = {{'jumpstart-model-id-123456789012'}},
endpoint_type = {{EndpointType.INFERENCE_COMPONENT_BASED}}
)
```
Per ulteriori informazioni sulla creazione di endpoint con componenti di inferenza e sulla distribuzione di modelli di intelligenza artificiale, consulta. SageMaker [Utilizzo condiviso delle risorse con più modelli](realtime-endpoints-deploy-models.md#deployed-shared-utilization)
## Verifica dei formati di inferenza di input e output validi
Per verificare i formati di input e output dei dati validi per l’inferenza, puoi utilizzare il metodo `retrieve_options()` delle classi `Serializers` e `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))
```
## Verifica dei contenuti supportati e dei tipi di accettazione
Allo stesso modo, è possibile utilizzare il metodo `retrieve_options()` per verificare i contenuti supportati e i tipi di accettazione per un modello.
```
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))
```
Per ulteriori informazioni sulle utility, consulta [API Utility](https://sagemaker.readthedocs.io/en/stable/api/utility/index.html).