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.

# Erstellen von Assets für die Modellanpassung in der Benutzeroberfläche
<a name="model-customize-open-weight-create-assets-ui"></a>

Sie können die Datensatz- und Evaluatorressourcen erstellen und verwalten, die Sie für die Modellanpassung in der Benutzeroberfläche verwenden können.

## Objekte
<a name="model-customize-open-weight-assets"></a>

Wählen Sie ** im linken Bereich und in der Amazon SageMaker Studio-Benutzeroberfläche ** Assets aus und wählen Sie dann ** Datensätze ** aus.

![Ein Bild, das den Zugriff auf die Modellanpassung enthält.](https://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/screenshot-open-model-16.png)


Wählen Sie Datensatz ** hochladen**, um den Datensatz hinzuzufügen, den Sie für Ihre Modellanpassungsaufträge verwenden werden. Wenn Sie das ** erforderliche Dateneingabeformat auswählen**, können Sie auf eine Referenz des zu verwendenden Datensatzformats zugreifen.

![Ein Bild, das den Zugriff auf die Modellanpassung enthält.](https://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/screenshot-open-model-15.png)


## Auswertungsprogramme
<a name="model-customize-open-weight-evaluators"></a>

Sie können auch ** Belohnungsfunktionen ** und ** Belohnungsaufforderungen ** für Ihre Anpassungsaufträge im Bereich Reinforcement Learning hinzufügen.

![Ein Bild, das den Zugriff auf die Modellanpassung enthält.](https://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/screenshot-open-model-14.png)


Die Benutzeroberfläche enthält auch Hinweise zum Format, das für die Belohnungsfunktion oder die Belohnungsaufforderung erforderlich ist.

![Ein Bild, das den Zugriff auf die Modellanpassung enthält.](https://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/screenshot-open-model-13.png)


## Ressourcen für die Modellanpassung mit AWS SDK
<a name="model-customize-open-weight-create-assets-sdk"></a>

Sie können auch das SageMaker AI Python SDK verwenden, um Assets zu erstellen. Unten finden Sie einen Beispielcodeausschnitt:

```
from sagemaker.ai_registry.air_constants import REWARD_FUNCTION, REWARD_PROMPT
from sagemaker.ai_registry.dataset import DataSet, CustomizationTechnique
from sagemaker.ai_registry.evaluator import Evaluator

# Creating a dataset example
dataset = DataSet.create(
            name="sdkv3-gen-ds2",
            source="s3://sample-test-bucket/datasets/training-data/jamjee-sft-ds1.jsonl", # or use local filepath as source.
            customization_technique=CustomizationTechnique.SFT
        )

# Refreshes status from hub
dataset.refresh()
pprint(dataset.__dict__)

# Creating an evaluator. Method : Lambda
evaluator = Evaluator.create(
                name = "sdk-new-rf11",
                source="arn:aws:lambda:us-west-2:<>:function:<function-name>8",
                type=REWARD_FUNCTION
        )

# Creating an evaluator. Method : Bring your own code
evaluator = Evaluator.create(
                name = "eval-lambda-test",
                source="/path_to_local/eval_lambda_1.py",
                type = REWARD_FUNCTION
        )

# Optional wait, by default we have wait = True during create call.
evaluator.wait()

evaluator.refresh()
pprint(evaluator)
```