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.

# Visão geral do Pipelines
<a name="pipelines-overview"></a>

[Um pipeline de SageMaker IA da Amazon é uma série de etapas interconectadas no gráfico acíclico direcionado (DAG) que são definidas usando a interface do usuário ou o SDK do drag-and-drop Pipelines.](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html) Você também pode criar seu pipeline usando o [esquema JSON de definição de pipeline](https://aws-sagemaker-mlops.github.io/sagemaker-model-building-pipeline-definition-JSON-schema/). Esse DAG JSON fornece informações sobre os requisitos e as relações entre cada etapa do seu pipeline. A estrutura do DAG de um pipeline é determinada pelas dependências de dados entre as etapas. Essas dependências de dados são criadas quando as propriedades da saída de uma etapa são passadas como entrada para outra etapa. A imagem a seguir é um exemplo de DAG de pipeline:

![\[\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/pipeline-full.png)


**O exemplo inclui as seguintes etapas:**

1. `AbaloneProcess`, uma instância da etapa de [processamento](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-processing), executa um script de pré-processamento nos dados usados para treinamento. Por exemplo, o script pode preencher valores ausentes, normalizar dados numéricos ou dividir dados nos conjuntos de dados de treinamento, validação e teste.

1. `AbaloneTrain`, uma instância da etapa de [treinamento](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-training), configura hiperparâmetros e treina um modelo a partir dos dados de entrada pré-processados.

1. `AbaloneEval`, outra instância da etapa de [processamento](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-processing), avalia a precisão do modelo. Esta etapa mostra um exemplo de dependência de dados: usa a saída do conjunto de dados de teste do `AbaloneProcess`.

1. `AbaloneMSECond`é uma instância de uma etapa de [condição](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-condition) que, neste exemplo, verifica se o mean-square-error resultado da avaliação do modelo está abaixo de um determinado limite. Se o modelo não atender aos critérios, o funcionamento do pipeline é interrompido.

1. A execução do pipeline prossegue com as seguintes etapas:

   1. `AbaloneRegisterModel`, em que a SageMaker IA exige uma [RegisterModel](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-register-model)etapa para registrar o modelo como um grupo de pacotes de modelos versionados no Amazon SageMaker Model Registry.

   1. `AbaloneCreateModel`, em que a SageMaker IA exige uma [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-create-model)etapa para criar o modelo em preparação para a transformação em lote. Em`AbaloneTransform`, a SageMaker IA chama uma etapa de [transformação](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-transform) para gerar previsões de modelo em um conjunto de dados especificado por você.

Os tópicos a seguir descrevem conceitos fundamentais do Pipelines. Para obter um tutorial descrevendo a implementação desses conceitos, consulte [Ações de pipelines](pipelines-build.md).

**Topics**
+ [Estrutura e execução do pipeline](build-and-manage-pipeline.md)
+ [Gerenciamento de acesso do IAM](build-and-manage-access.md)
+ [Configurar a compatibilidade entre contas para o Pipelines](build-and-manage-xaccount.md)
+ [Parâmetros de pipeline](build-and-manage-parameters.md)
+ [Etapas do Pipelines](build-and-manage-steps.md)
+ [Lift-and-shift Código Python com o decorador @step](pipelines-step-decorator.md)
+ [Passe dados entre etapas](build-and-manage-propertyfile.md)
+ [Etapas do pipeline de cache](pipelines-caching.md)
+ [Política de repetição para etapas do pipeline](pipelines-retry-policy.md)
+ [Execução seletiva das etapas do pipeline](pipelines-selective-ex.md)
+ [Cálculo básico, detecção de desvios, ciclo de vida e ClarifyCheck etapas QualityCheck no Amazon Pipelines SageMaker](pipelines-quality-clarify-baseline-lifecycle.md)
+ [Programar execuções de pipeline](pipeline-eventbridge.md)
+ [Integração SageMaker com Amazon Experiments](pipelines-experiments.md)
+ [Executar pipelines usando o modo local](pipelines-local-mode.md)
+ [Solução de problemas do Amazon SageMaker Pipelines](pipelines-troubleshooting.md)