Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# SageMaker Jobs im Bereich KI-Ausbildung
<a name="customizing-models-training-jobs"></a>

[Amazon SageMaker AI Training Jobs ](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html) ist ein vollständig verwalteter Service, mit dem Sie AI/ML Modelle in großem Maßstab effizient trainieren können. Mit SageMaker AI Training Jobs können Sie Recheninstanzen für die Modellanpassung auswählen und verwalten. Sie haben die volle Kontrolle über den Instanztyp und die Konfiguration. Jobs sind kurzlebig — Instanzen werden für die Dauer der Schulung bereitgestellt und nach Abschluss freigegeben. Weitere Informationen zu SageMaker KI-Schulungsjobs finden Sie unter [ Trainieren Sie ein Modell mit Amazon AI. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/train-model.html)

Eine vollständig verwaltete Erfahrung ohne Instance-Auswahl finden Sie unter[Serverlose Modellanpassung](customize-model.md).

## -Übersicht
<a name="training-jobs-overview"></a>

### Regionale Verfügbarkeit
<a name="training-jobs-regional"></a>

SageMaker AI Training Jobs ist in allen SageMaker KI-Regionen verfügbar.

### Schnittstellen
<a name="training-jobs-interfaces"></a>

Rezepte  
Führen Sie vorkonfigurierte Trainingsrezepte mithilfe von [ SageMaker KI-Rezepten ](https://github.com/aws/sagemaker-hyperpod-recipes) aus. Rezepte eignen sich sowohl für SageMaker KI-Trainingsjobs als auch für das Automatisieren des Ladens von Datensätzen, verteiltes Training und Checkpoint-Management. [ HyperPod ](customizing-models-hyperpod.md)

PythonSDK V3 () ModelTrainer  
Verwenden Sie den `ModelTrainer` Kurs aus dem SageMaker AI Python SDK, um Trainingsjobs programmgesteuert einzureichen und dabei die volle Kontrolle über die Auswahl und Konfiguration der Instanz zu haben.  

```
from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)

trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])
```

Studio (ältere Modelle)  
Verwenden Sie für ältere Modelle die Modelldetailkarte → Schaltfläche „Trainieren“ in Studio. Dieser Ablauf ermöglicht die Instanzauswahl und die Hyperparameterkonfiguration.

### Unterstützte Techniken
<a name="training-jobs-supported-techniques"></a>
+ SFT, DPO, RLVR, RLAIF (über Rezepte)
+ PPO (nur Amazon Nova-Modelle)
+ CPT (Fortsetzung Pre-Training)

### Unterstützte Schulungstypen
<a name="training-jobs-supported-training-types"></a>
+ LoRA
+ FFT (voll Fine-Tuning)

## Erste Schritte
<a name="training-jobs-getting-started"></a>

Um mit SageMaker KI-Trainingsjobs mithilfe von Rezepten zu beginnen:

1. Klonen Sie das Rezept-Repository: 

   ```
   git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
   cd sagemaker-hyperpod-recipes
   pip3 install -r requirements.txt
   ```

1. Wählen Sie ein Rezept aus, `recipes_collection/recipes/fine-tuning/` das Ihrem Modell und Ihrer Technik entspricht.

1. Konfiguriere deinen Trainingsdatenpfad und deine Hyperparameter in der YAML-Rezeptdatei.

1. Starten Sie den Trainingsjob mithilfe des Launcher-Skripts.

Ausführliche Tutorials finden Sie in der Dokumentation zu [ SageMaker HyperPod KI-Rezepten](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html).