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.

# Endpoints de SageMaker IA da Amazon
<a name="sagemaker"></a>

O [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) é um serviço gerenciado de ML que ajuda você a criar e treinar modelos e depois implantá-los em um ambiente hospedado pronto para produção. Ao contrário do Amazon SageMaker AI Canvas, você não tem a opção de usar um ready-to-use modelo em SageMaker IA. Na SageMaker IA, você é responsável por fornecer os dados de amostra e treinar o modelo. Isso proporciona mais controle, mas também mais sobrecarga operacional e responsabilidade.

Você pode implantar um modelo personalizado na SageMaker IA como um endpoint [em tempo real](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) ou [sem servidor](https://docs.aws.amazon.com/sagemaker/latest/dg/serverless-endpoints.html). Como alternativa, você pode usar a [transformação em lote](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html), dependendo das demandas do seu aplicativo. Mesmo que um modelo não seja implantado como um endpoint de SageMaker IA, o artefato do modelo que a SageMaker IA produz pode ser usado para uma implantação personalizada. Para ver exemplos de modelos de classificação de imagens de SageMaker IA, consulte os seguintes recursos sobre GitHub:
+ [Classificação de SageMaker JumpStart imagens da Amazon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb)
+ [Classificação de SageMaker TensorFlow imagens da Amazon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/image_classification_tensorflow/Amazon_TensorFlow_Image_Classification.ipynb)
+ [Classificação de imagens SageMaker com vários rótulos da Amazon](https://sagemaker-examples-test-website.readthedocs.io/en/latest/introduction_to_amazon_algorithms/imageclassification_mscoco_multi_label/Image-classification-multilabel-lst.html)

Depois que um modelo é treinado, você pode usar o SageMaker AI Neo para compilar o modelo e torná-lo mais eficiente computacionalmente. O Neo otimiza automaticamente os modelos Gluon, Keras MXNet, PyTorch, TensorFlow,, TensorFlow -Lite e ONNX para inferência em máquinas Android, Linux e Windows. Para obter mais informações, consulte [Otimizar o desempenho do modelo usando o Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).

A seguir estão as vantagens da SageMaker IA:
+ Controle total da arquitetura do modelo, objetivo e procedimento de treinamento
+ Capacidade de selecionar o tipo de instância para suas implantações de endpoint
+ Capacidade de compilar um modelo com o SageMaker AI Neo para uma implantação eficiente

A seguir estão as desvantagens da SageMaker IA:
+ A configuração manual exige mais trabalho do que abordagens automatizadas

Para obter mais informações sobre SageMaker IA, consulte o seguinte:
+ [Comece a usar](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html) o *Guia do Desenvolvedor de SageMaker IA*
+ [Visão geral do aprendizado de máquina com o Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-mlconcepts.html) no *Guia do desenvolvedor de SageMaker IA*