As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Fluxos transdutivos incrementais
<a name="machine-learning-overview-evolving-data-incremental"></a>

Embora você atualize os artefatos do modelo simplesmente executando novamente as etapas de um a três (da **Exportação e configuração de dados** à **Transformação de modelos**), o Neptune ML aceita maneiras mais simples de atualizar as previsões de ML em lote usando novos dados. Uma delas é usar um [fluxo de trabalho de modelo incremental](#machine-learning-overview-incremental) e outra é usar o [novo treinamento de modelos com uma inicialização a quente](#machine-learning-overview-model-retraining).

## Fluxo de trabalho de modelo incremental
<a name="machine-learning-overview-incremental"></a>

Nesse fluxo de trabalho, você atualiza as previsões de ML sem treinar o modelo de ML novamente.

**nota**  
Você só poderá fazer isso quando os dados do grafo tiverem sido atualizados com novos nós e/ou bordas. No momento, ele não funcionará quando os nós forem removidos.

1. **Exportação e configuração de dados**: essa etapa é a mesma do fluxo de trabalho principal.

1. **Pré-processamento incremental de dados**: essa etapa é semelhante à etapa de pré-processamento de dados no fluxo de trabalho principal, mas usa a mesma configuração de processamento usada anteriormente, que corresponde a um modelo treinado específico.

1. **Transformação de modelos**: em vez de uma etapa de treinamento do modelo, essa etapa de transformação de modelos retira o modelo treinado do fluxo de trabalho principal e dos resultados da etapa de pré-processamento incremental de dados e gera novos artefatos do modelo para uso na inferência. A etapa de transformação de modelos inicia uma tarefa de processamento do SageMaker AI para realizar o cálculo que gera os artefatos atualizados do modelo.

1. **Atualizar o endpoint de inferência do Amazon SageMaker AI**: opcionalmente, se você tiver um endpoint de inferência existente, essa etapa atualizará o endpoint com os novos artefatos do modelo gerados pela etapa de transformação de modelos. Como alternativa, você também pode criar um endpoint de inferência com os novos artefatos do modelo.

## Novo treinamento de modelos com uma inicialização a quente
<a name="machine-learning-overview-model-retraining"></a>

Usando esse fluxo de trabalho, é possível treinar e implantar um novo modelo de ML para fazer previsões usando os dados de grafos incrementais, mas comece com um modelo existente gerado usando o fluxo de trabalho principal:

1. **Exportação e configuração de dados**: essa etapa é a mesma do fluxo de trabalho principal.

1. **Pré-processamento incremental de dados**: essa etapa é a mesma do fluxo de trabalho de inferência de modelo incremental. Os novos dados de grafos devem ser processados com o mesmo método de processamento usado anteriormente para o treinamento de modelos.

1. **Treinamento de modelos com inicialização a quente**: o treinamento de modelos é semelhante ao que acontece no fluxo de trabalho principal, mas é possível acelerar a pesquisa de hiperparâmetros do modelo aproveitando as informações da tarefa anterior de treinamento do modelo.

1. **Atualizar o endpoint de inferência do Amazon SageMaker AI**: essa etapa é a mesma do fluxo de trabalho de inferência do modelo incremental.