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.
# Etapa 4: Criar o pipeline
Depois de definir o pipeline de forma lógica, é hora de criar a infraestrutura para dar suporte ao pipeline. Essa etapa requer, no mínimo, os seguintes recursos:
+ Armazenamento, para hospedar e gerenciar entradas e saídas do pipeline, incluindo código, artefatos de modelo e dados usados em treinamentos e execuções de inferência.
+ Computação (GPU ou CPU) para modelagem e inferência, bem como pré-processamento e pós-processamento de dados.
+ Orquestração, para gerenciar os recursos que estão sendo usados e programar qualquer execução regular. Por exemplo, o modelo pode ser retreinado periodicamente à medida que novos dados se tornam disponíveis.
+ Execução de logs e alertas para monitorar a precisão do modelo de pipeline para a utilização de recursos e solução de problemas.
## Implementação com a AWS CloudFormation.
Para criar o pipeline, usamos o AWS CloudFormation, que é um serviço AWS para implantar e gerenciar a infraestrutura como código. Os modelos AWS CloudFormation incluem a definição de Funções de Etapa criada na etapa anterior com o SDK da Função de Etapa. Essa etapa inclui a criação da instância Funções de Etapa gerenciada pela AWS, chamada de *máquina de estado das Funções de Etapa*. Nenhum recurso para treinamento e inferência é criado nesse estágio porque os trabalhos de treinamento e inferência são executados sob demanda, somente quando necessários, como trabalhos do SageMaker AI. Essa etapa também inclui a criação de funções AWS Identity and Access Management (IAM) para executar as Funções de Etapa, executar o SageMaker AI e ler e gravar a partir do Amazon S3.
## Modificando a saída do SDK Funções de Etapa
Tivemos que fazer algumas pequenas modificações na saída CloudFormation da seção anterior. Usamos a correspondência simples de strings do Python para fazer o seguinte:
+ Adicionamos lógica para criar a seção `Parameters` do modelo CloudFormation. Isso ocorre porque queremos criar duas funções e definir o nome do pipeline como um parâmetro junto com o ambiente de implantação. Essa etapa também abrange quaisquer recursos e funções adicionais que você queira criar, conforme discutido na etapa 6.
+ Reformatamos três campos para ter o prefixo `!Sub` e as aspas necessárias para que possam ser atualizados dinamicamente como parte do processo de implantação:
+ A propriedade `StateMachineName`, que nomeia a máquina de estado.
+ A propriedade `DefinitionString`, que define a máquina de estado.
+ A propriedade `RoleArn`, que é retornada pela máquina de estado.