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.

# Loja de recursos
<a name="feature-store"></a>

Usar o [SageMaker AI Feature Store](https://aws.amazon.com/sagemaker/feature-store/) aumenta a produtividade da equipe, pois separa os limites dos componentes (por exemplo, armazenamento versus uso). Ele também fornece reutilização de recursos em diferentes equipes de ciência de dados em sua organização.

## Use consultas de viagem no tempo
<a name="time-travel"></a>

Os recursos de viagem no tempo na Feature Store ajudam a reproduzir construções de modelos e apoiam práticas de governança mais fortes. Isso pode ser útil quando uma organização deseja avaliar a linhagem de dados, da mesma forma que ferramentas de controle de versão, como o Git, avaliam o código. As consultas de viagem no tempo também ajudam as organizações a fornecer dados precisos para verificações de conformidade. Para obter mais informações, consulte [Entendendo os principais recursos da Amazon SageMaker AI Feature Store](https://aws.amazon.com/blogs/machine-learning/understanding-the-key-capabilities-of-amazon-sagemaker-feature-store/) no blog do AWS Machine Learning.

## Usar funções do IAM
<a name="iam-roles"></a>

O Feature Store também ajuda a melhorar a segurança sem afetar a produtividade e a inovação da equipe. Você pode usar funções AWS Identity and Access Management (IAM) para conceder ou restringir o acesso granular a recursos específicos para usuários ou grupos específicos. 

Por exemplo, a política a seguir restringe o acesso a um recurso confidencial na Feature Store.

```
{
    "Version": "2012-10-17", 		 	 	 		 	 	 
    "Statement": [
        {
            "Sid": "VisualEditor0",
            "Effect": "Deny",
            "Action": "*",
            "Resource": "arn:aws:s3:::amzn-s3-demo-bucket--usw2-az1--x-s3/12345678910/sagemaker/us-east-2/offline-store/doctor-appointments"
        }
    ]
}
```

Para obter mais informações sobre segurança e criptografia de dados usando o Feature Store, consulte [Segurança e controle de acesso](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-security.html) na documentação de SageMaker IA.

## Use testes unitários
<a name="unit-testing"></a>

Quando os cientistas de dados criam modelos com base em alguns dados, geralmente fazem suposições sobre a distribuição dos dados ou realizam uma análise completa para entender completamente as propriedades dos dados. Quando esses modelos são implantados, eles acabam ficando obsoletos. Quando o conjunto de dados fica desatualizado, cientistas de dados, engenheiros de ML e (em alguns casos) sistemas automatizados retreinam o modelo com novos dados obtidos em uma loja on-line ou off-line.

No entanto, a distribuição desses novos dados pode ter mudado, o que pode afetar o desempenho do algoritmo atual. Uma forma automatizada de verificar esses tipos de problemas é emprestar o conceito de *teste unitário* da engenharia de software. [https://en.wikipedia.org/wiki/Student%27s_t-test](https://en.wikipedia.org/wiki/Student%27s_t-test) Talvez você também queira validar o esquema de dados para garantir que ele não tenha sido alterado e não gere recursos de entrada inválidos silenciosamente. 

O teste unitário exige a compreensão dos dados e de seu domínio para que você possa planejar as afirmações exatas a serem executadas como parte do projeto de ML. Para obter mais informações, consulte [Testando a qualidade dos dados em grande PyDeequ escala com](https://aws.amazon.com/blogs/big-data/testing-data-quality-at-scale-with-pydeequ/) o blog AWS Big Data.