Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Présentation des pipelines Un pipeline Amazon SageMaker AI est une série d'étapes interconnectées dans un graphe acyclique dirigé (DAG) définies à l'aide de l' drag-and-dropinterface utilisateur ou du [SDK Pipelines](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html). Vous pouvez également générer votre pipeline à l’aide du [schéma JSON de définition de pipeline](https://aws-sagemaker-mlops.github.io/sagemaker-model-building-pipeline-definition-JSON-schema/). Cette définition JSON de graphique DAG fournit des informations sur les exigences de chaque étape de votre pipeline et les relations entre ces étapes. La structure du DAG d’un pipeline est déterminée par les dépendances de données entre les étapes. Ces dépendances de données sont créées lorsque les propriétés de la sortie d'une étape sont passées en tant qu'entrée à une autre étape. L’image suivante est un exemple de DAG de pipeline : ![\[\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/pipeline-full.png) **Cet exemple de graphique DAG comprend les étapes suivantes :** 1. `AbaloneProcess`, une instance de l’étape [Traitement](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-processing), exécute un script de prétraitement sur les données utilisées pour l’entraînement. Par exemple, le script peut remplir les valeurs manquantes, normaliser les données numériques ou diviser les données entre les jeux de données d’entraînement, de validation et de test. 1. `AbaloneTrain`, une instance de l’étape [Entraînement](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-training), configure les hyperparamètres et entraîne un modèle à partir des données d’entrée prétraitées. 1. `AbaloneEval`, une autre instance de l’étape [Traitement](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-processing), évalue l’exactitude du modèle. Cette étape montre un exemple de dépendance des données : elle utilise la sortie du jeu de données de test de `AbaloneProcess`. 1. `AbaloneMSECond`est une instance d'une étape [Condition](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-condition) qui, dans cet exemple, vérifie que le mean-square-error résultat de l'évaluation du modèle est inférieur à une certaine limite. Si le modèle ne répond pas aux critères, l’exécution du pipeline s’arrête. 1. L’exécution du pipeline continue avec les étapes suivantes : 1. `AbaloneRegisterModel`, où SageMaker AI lance une [RegisterModel](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-register-model)étape pour enregistrer le modèle en tant que groupe de packages de modèles versionnés dans l'Amazon SageMaker Model Registry. 1. `AbaloneCreateModel`, où l' SageMaker IA appelle une [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-create-model)étape pour créer le modèle en vue de la transformation par lots. Dans`AbaloneTransform`, SageMaker AI appelle une étape de [transformation](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-transform) pour générer des prédictions de modèle sur un ensemble de données que vous spécifiez. Les rubriques suivantes décrivent les concepts fondamentaux des pipelines. Pour obtenir un tutoriel décrivant l’implémentation de ces concepts, consultez [Actions de pipeline](pipelines-build.md). **Topics** + [Structure et exécution du pipeline](build-and-manage-pipeline.md) + [Gestion d'accès IAM](build-and-manage-access.md) + [Configuration de la prise en charge entre comptes pour Pipelines](build-and-manage-xaccount.md) + [Paramètres du pipeline](build-and-manage-parameters.md) + [Étapes du pipeline](build-and-manage-steps.md) + [Lift-and-shift Code Python avec le décorateur @step](pipelines-step-decorator.md) + [Transmission de données entre les étapes](build-and-manage-propertyfile.md) + [Mise en cache des étapes du pipeline](pipelines-caching.md) + [Politique de nouvelle tentative pour les étapes du pipeline](pipelines-retry-policy.md) + [Exécution sélective des étapes d’un pipeline](pipelines-selective-ex.md) + [Calcul de référence, détection de la dérive et cycle de vie avec Amazon SageMaker Pipelines ClarifyCheck et QualityCheck étapes](pipelines-quality-clarify-baseline-lifecycle.md) + [Planification d’exécutions d’un pipeline](pipeline-eventbridge.md) + [Amazon SageMaker expérimente l'intégration](pipelines-experiments.md) + [Exécution de pipelines en mode local](pipelines-local-mode.md) + [Résolution des problèmes liés à Amazon SageMaker Pipelines](pipelines-troubleshooting.md)