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.
# MLOps Modelos de projeto
Um modelo de projeto Amazon SageMaker AI automatiza a configuração e a implementação MLOps de seus projetos. Um modelo de projeto de SageMaker IA é um produto do Service Catalog que a SageMaker IA disponibiliza para usuários do Amazon SageMaker Studio (ou Studio Classic). Esses produtos do Service Catalog ficam visíveis no console do Service Catalog depois que você habilita as permissões ao integrar ou atualizar o Amazon SageMaker Studio (ou Studio Classic). Para obter informações sobre como habilitar permissões para usar modelos de projeto de SageMaker IA, consulte[Conceder as permissões necessárias ao SageMaker Studio para usar projetos](sagemaker-projects-studio-updates.md). Use modelos de projeto de SageMaker IA para criar um projeto que seja uma end-to-end MLOps solução.
Você pode usar um modelo de SageMaker projetos para implementar a criação CI/CD. With this template, you can automate the CI/CD de imagens que são criadas e enviadas para o Amazon ECR. Alterações nos arquivos de contêiner nos repositórios de controle de fonte do seu projeto iniciam o pipeline de ML e implantam a versão mais recente para seu contêiner. Para obter mais informações, consulte o blog [Create Amazon SageMaker Projects with image building CI/CD pipelines](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-with-image-building-ci-cd-pipelines/).
Se você for administrador, poderá criar modelos de projeto personalizados do zero ou modificar um dos modelos de projeto fornecidos pela SageMaker IA. Os usuários do Studio (ou Studio Classic) em sua organização podem usar os modelos de projeto personalizados para criar seus projetos.
**Topics**
+ [Use modelos de projeto SageMaker fornecidos pela IA](sagemaker-projects-templates-sm.md)
+ [Criar modelos de projetos personalizados](sagemaker-projects-templates-custom.md)
# Use modelos de projeto SageMaker fornecidos pela IA
**Importante**
Em 28 de outubro de 2024, os AWS CodeCommit modelos foram removidos. Para novos projetos, selecione entre os modelos de projeto disponíveis que usam repositórios Git de terceiros.
A Amazon SageMaker AI fornece modelos de projeto que criam a infraestrutura de que você precisa para criar uma MLOps solução para integração contínua e implantação contínua (CI/CD) de modelos de ML. Use esses modelos para processar dados, extrair recursos, treinar e testar modelos, registrar os SageMaker modelos no Registro de Modelos e implantar os modelos para inferência. Você pode personalizar o código inicial e os arquivos de configuração para atender aos seus requisitos.
**nota**
Outros perfis são necessários para usar modelos de projeto. Para obter uma lista completa das funções necessárias e instruções sobre como criá-las, consulte [Conceder as permissões necessárias ao SageMaker Studio para usar projetos](sagemaker-projects-studio-updates.md). Se você não tiver as novas funções, receberá a mensagem de erro **Não CodePipeline está autorizado a desempenhar AssumeRole na função arn:aws:iam: :xxx: role/service-role/AmazonSageMakerServiceCatalogProductsCodePipelineRole** ao tentar criar um novo projeto e não conseguir continuar.
SageMaker Os modelos de projeto de IA oferecem a seguinte opção de repositórios de código, ferramentas de automação de fluxo de trabalho e estágios de pipeline:
+ Repositório de **código: repositórios** Git de terceiros, como e Bitbucket GitHub
+ **Automação do fluxo de trabalho de CI/CD**: AWS CodePipeline ou Jenkins
+ **Estágios do pipeline**: construção e treinamento do modelo, implantação do modelo ou ambos
A discussão a seguir fornece uma visão geral de cada modelo que você pode escolher ao criar seu projeto de SageMaker IA. Você também pode visualizar os modelos disponíveis no Studio (ou Studio Classic) seguindo [Create a Project](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html#sagemaker-proejcts-walkthrough-create) em [Project walkthrough](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html).
Para step-by-step obter instruções sobre como criar um projeto real, você pode seguir uma das orientações do projeto:
+ Se você quiser usar o modelo [MLOps modelos para criação, treinamento e implantação de modelos com Git de terceiros usando Git CodePipeline](#sagemaker-projects-templates-git-code-pipeline), consulte [Percorra um MLOps projeto de SageMaker IA usando repositórios Git de terceiros](sagemaker-projects-walkthrough-3rdgit.md).
+ Se você quiser usar o modelo[MLOps modelos para criação, treinamento e implantação de modelos com repositórios Git de terceiros usando Jenkins](#sagemaker-projects-templates-git-jenkins), consulte [Criar SageMaker projetos da Amazon usando controle de origem de terceiros e Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/).
**Topics**
## MLOps modelos para criação, treinamento e implantação de modelos com Git de terceiros usando Git CodePipeline
+ **Repositório de código**: Git de terceiros.
**nota**
Estabeleça a AWS CodeStar conexão da sua AWS conta com seu GitHub usuário ou organização. Adicione uma tag com a chave `sagemaker` e o valor `true` a essa AWS CodeStar conexão.
+ Automação do **fluxo de trabalho de CI/CD**: AWS CodePipeline
### Criação e treinamento de modelos
Este modelo fornece os seguintes recursos:
+ Associações com repositórios do Git de um cliente especificado. O repositório contém um código de amostra que cria um pipeline de SageMaker IA da Amazon em código Python e mostra como criar e atualizar SageMaker o pipeline de IA. Esse repositório também tem um caderno Python de amostra que você pode abrir e executar no Studio (ou Studio Classic).
+ Um AWS CodePipeline pipeline que tem etapas de origem e construção. A etapa de origem destina-se ao repositório do Git de terceiros. A etapa de construção obtém o código desse repositório, cria e atualiza o pipeline de SageMaker IA, inicia a execução do pipeline e aguarda a conclusão da execução do pipeline.
+ Um AWS CodeBuild projeto para preencher os repositórios Git com as informações do código inicial. Isso requer uma AWS CodeStar conexão da sua com Conta da AWS a sua conta no host do repositório Git.
+ Um bucket do Amazon S3 para armazenar artefatos, inclusive artefatos, CodePipeline e quaisquer CodeBuild artefatos gerados a partir do pipeline de IA é executado. SageMaker
### Implantação de modelos
Este modelo fornece os seguintes recursos:
+ Associações com repositórios do Git de um cliente especificado. O repositório contém código de amostra que implanta modelos em endpoints em ambientes de preparação e produção.
+ Um AWS CodePipeline pipeline que tem origem deploy-to-staging, construção e deploy-to-production etapas. A etapa de origem aponta para o repositório Git de terceiros e a etapa de criação obtém o código desse repositório e gera CloudFormation pilhas para implantação. As deploy-to-production etapas deploy-to-staging e implantam as CloudFormation pilhas em seus respectivos ambientes. Há uma etapa de aprovação manual entre as etapas de preparação e construção de produção, de modo que um MLOps engenheiro deve aprovar o modelo antes que ele seja implantado na produção.
+ Um AWS CodeBuild projeto para preencher os repositórios Git com as informações do código inicial. Isso requer uma AWS CodeStar conexão da sua com Conta da AWS a sua conta no host do repositório Git.
+ Um bucket do Amazon S3 para armazenar artefatos, inclusive artefatos, CodePipeline e quaisquer CodeBuild artefatos gerados a partir do pipeline de IA é executado. SageMaker
### Criação, treinamento e implantação de modelos
Este modelo fornece os seguintes recursos:
+ Associações com um ou mais repositórios Git especificados pelo cliente.
+ Um AWS CodePipeline pipeline que tem origem deploy-to-staging, construção e deploy-to-production etapas. A etapa de origem aponta para o repositório do Git de terceiros e a etapa de criação obtém o código desse repositório e gera pilhas do CloudFormation para implantar. As deploy-to-production etapas deploy-to-staging e implantam as CloudFormation pilhas em seus respectivos ambientes. Há uma etapa de aprovação manual entre as etapas de preparação e construção de produção, de modo que um MLOps engenheiro deve aprovar o modelo antes que ele seja implantado na produção.
+ Um AWS CodeBuild projeto para preencher os repositórios Git com as informações do código inicial. Isso requer uma AWS CodeStar conexão da sua AWS conta com a sua conta no host do repositório Git.
+ Um bucket do Amazon S3 para armazenar artefatos, inclusive artefatos, CodePipeline e quaisquer CodeBuild artefatos gerados a partir do pipeline de IA é executado. SageMaker
Conforme mencionado anteriormente, consulte o [Passo a passo do projeto usando repositórios Git de terceiros](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough-3rdgit.html) para ver uma demonstração que usa esse modelo para criar um projeto real.
## MLOps modelo para criação de modelos, treinamento, implantação e Amazon SageMaker Model Monitor usando CodePipeline
+ **Repositório de código**: Git de terceiros.
**nota**
Estabeleça a AWS CodeStar conexão da sua AWS conta com seu GitHub usuário ou organização. Adicione uma tag com a chave `sagemaker` e o valor `true` a essa AWS CodeStar conexão.
+ Automação do **fluxo de trabalho de CI/CD**: AWS CodePipeline
Os modelos a seguir incluem um SageMaker modelo adicional do Amazon Model Monitor que fornece os seguintes tipos de monitoramento:
+ [Qualidade dos dados](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html): monitora a variação na qualidade dos dados.
+ [Qualidade do modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html): monitora a variação nas métricas de qualidade do modelo, como a precisão.
+ [Desvio de polarização para modelos em produção](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html): monitore o desvio nas predições de um modelo.
### Construção de modelos, treinamento, implantação e Amazon SageMaker Model Monitor
Esse modelo é uma extensão do MLOps modelo para criação, treinamento e implantação de modelos com o uso de repositórios Git. CodePipeline Ele inclui os componentes de criação, treinamento e implantação do modelo e um modelo adicional do Amazon SageMaker Model Monitor que fornece os seguintes tipos de monitoramento:
### Monitorar um modelo implantado
Você pode usar esse modelo para uma MLOps solução para implantar um ou mais monitores de qualidade de dados, qualidade do modelo, viés do modelo e explicabilidade do modelo de SageMaker IA da Amazon para monitorar um modelo implantado em um endpoint de inferência de SageMaker IA. Este modelo fornece os seguintes recursos:
+ Associações com um ou mais repositórios Git especificados pelo cliente. O repositório contém exemplos de código Python que obtém [as](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-create-baseline.html) linhas de base usadas pelos monitores do SageMaker Amazon Model Registry e atualiza os parâmetros do modelo para os ambientes de preparação e produção. Ele também contém um CloudFormation modelo para criar os Amazon SageMaker Model Monitors.
+ Um AWS CodePipeline pipeline que tem etapas de origem, criação e implantação. A etapa de origem aponta para o CodePipeline repositório. A etapa de criação obtém o código desse repositório, obtém a linha de base do Registro de modelo e atualiza os parâmetros do modelo para os ambientes de preparação e produção. As etapas de implantação implantam os monitores configurados nos ambientes de preparação e produção. A etapa de aprovação manual, dentro do `DeployStaging` estágio, exige que você verifique se o endpoint de SageMaker IA de produção está `InService` antes de aprovar e passar para o `DeployProd` estágio.
+ Um AWS CodeBuild projeto para preencher os repositórios Git com as informações do código inicial. Isso requer uma AWS CodeStar conexão da sua com Conta da AWS a sua conta no host do repositório Git.
+ O modelo usa o mesmo bucket do Amazon S3 criado pelo MLOps modelo para criação, treinamento e implantação de modelos para armazenar as saídas dos monitores.
+ Duas regras de EventBridge eventos da Amazon iniciam o Amazon SageMaker Model Monitor AWS CodePipeline toda vez que o endpoint de SageMaker IA de teste é atualizado.
## MLOps modelos para criação, treinamento e implantação de modelos com repositórios Git de terceiros usando Jenkins
+ **Repositório de código**: Git de terceiros.
**nota**
Estabeleça a AWS CodeStar conexão da sua AWS conta com seu GitHub usuário ou organização. Adicione uma tag com a chave `sagemaker` e o valor `true` a essa AWS CodeStar conexão.
+ **Automação do fluxo de trabalho de CI/CD**: Jenkins
### Criação, treinamento e implantação de modelos
Este modelo fornece os seguintes recursos:
+ Associações com um ou mais repositórios Git especificados pelo cliente.
+ Código inicial para gerar pipelines Jenkins que têm origem deploy-to-staging, construção e deploy-to-production etapas. A etapa de fonte destina-se ao repositório Git especificado pelo cliente. A etapa de construção obtém o código desse repositório e gera duas CloudFormation pilhas. As etapas de implantação implantam as CloudFormation pilhas em seus respectivos ambientes. Há uma etapa de aprovação entre a etapa de preparação e a etapa de produção.
+ Um AWS CodeBuild projeto para preencher os repositórios Git com as informações do código inicial. Isso requer uma AWS CodeStar conexão da sua AWS conta com a sua conta no host do repositório Git.
+ Um bucket do Amazon S3 para armazenar artefatos do projeto de IA e SageMaker do SageMaker pipeline de IA.
O modelo cria a associação entre seu projeto e os repositórios de controle de origem, mas você precisa realizar etapas manuais adicionais para estabelecer a comunicação entre sua AWS conta e o Jenkins. Para ver as etapas detalhadas, consulte [Criar SageMaker projetos da Amazon usando o controle de origem de terceiros e o Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/).
As instruções ajudam você a criar a arquitetura mostrada no diagrama a seguir, com GitHub o repositório de controle de origem neste exemplo. Conforme mostrado, você anexará seu repositório Git ao projeto para verificar e gerenciar as versões do código. O Jenkins inicia o pipeline de construção do modelo quando detecta alterações no código de criação do modelo no repositório Git. Você também conectará o projeto ao Jenkins para orquestrar as etapas de implantação do modelo, que começam quando você aprova o modelo registrado no registro do modelo ou quando o Jenkins detecta alterações no código de implantação do modelo.
![\[\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/projects/projects-templates-gitjenkins.png)
Em resumo, as etapas o orientam pelas seguintes tarefas:
1. Estabeleça a conexão entre suas GitHub contas AWS e as suas.
1. Criar a conta do Jenkins e importe os plug-ins necessários.
1. Criar a política de usuários e permissões do IAM do Jenkins.
1. Defina as AWS credenciais para o usuário do Jenkins IAM no seu servidor Jenkins.
1. Criar um token de API para comunicação com seu servidor do Jenkins.
1. Use um CloudFormation modelo para configurar uma EventBridge regra para monitorar o registro de modelos recém-aprovados.
1. Crie o projeto de SageMaker IA, que alimenta seus GitHub repositórios com código de criação e implantação de modelos.
1. Criar seu pipeline de criação de modelo do Jenkins com o código inicial de criação do modelo.
1. Criar seu pipeline de implantação de modelo do Jenkins com o código inicial de implantação do modelo.
## MLOps modelo para construção de imagens, construção de modelos e implantação de modelos
Este modelo é uma extensão de [MLOps modelos para criação, treinamento e implantação de modelos com Git de terceiros usando Git CodePipeline](#sagemaker-projects-templates-git-code-pipeline). Ele inclui os componentes de criação, treinamento e implantação do modelo e as seguintes opções:
+ Incluir pipeline de criação de imagem de processamento
+ Incluir um pipeline de criação de imagens de treinamento
+ Incluir um pipeline de criação de imagens de inferência
Para cada um dos componentes selecionados durante a criação do projeto, o seguinte é criado ao usar o modelo:
+ Um repositório do Amazon ECR
+ [Uma SageMaker imagem](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateImage.html)
+ Um CodeCommit repositório contendo um Dockerfile que você pode personalizar
+ Um CodePipeline que é iniciado por alterações no CodePipeline repositório
+ Um CodeBuild projeto que cria uma imagem do Docker e a registra no repositório Amazon ECR
+ Uma EventBridge regra que inicia o CodePipeline em um cronograma
Quando o CodePipeline é iniciado, ele cria um novo contêiner Docker e o registra em um repositório Amazon ECR. Quando um novo contêiner é registrado no repositório Amazon ECR, um novo `ImageVersion` é adicionado à SageMaker imagem. Isso inicia o pipeline de criação do modelo, que por sua vez inicia o pipeline de implantação.
A imagem recém-criada é usada nas partes de criação, treinamento e implantação do modelo do fluxo de trabalho, quando aplicável.
## Atualize SageMaker projetos para usar repositórios Git de terceiros
A política gerenciada anexada ao perfil `AmazonSageMakerServiceCatalogProductsUseRole` foi atualizada em 27 de julho de 2021 para uso com modelos Git de terceiros. Os usuários que se inscrevem no Amazon SageMaker Studio (ou Studio Classic) após essa data e habilitam modelos de projeto usam a nova política. Os usuários que se inscreveram antes dessa data devem atualizar a política para usar esses modelos. Use uma das seguintes opções para atualizar a política:
+ Excluir o perfil e alternar as configurações do Studio (ou Studio Classic)
1. No console do IAM, exclua `AmazonSageMakerServiceCatalogProductsUseRole`.
1. No ambiente de gerenciamento do Studio (ou Studio Classic), escolha **Editar configurações**.
1. Alterne as duas configurações e escolha **Enviar**.
+ No console do IAM, adicione as seguintes permissões ao `AmazonSageMakerServiceCatalogProductsUseRole`:
```
{
"Effect": "Allow",
"Action": [
"codestar-connections:UseConnection"
],
"Resource": "arn:aws:codestar-connections:*:*:connection/*",
"Condition": {
"StringEqualsIgnoreCase": {
"aws:ResourceTag/sagemaker": "true"
}
}
},
{
"Effect": "Allow",
"Action": [
"s3:PutObjectAcl"
],
"Resource": [
"arn:aws:s3:::sagemaker-*"
]
}
```
# Criar modelos de projetos personalizados
**Importante**
Em 28 de outubro de 2024, os AWS CodeCommit modelos foram removidos. Para novos projetos, selecione entre os modelos de projeto disponíveis que usam repositórios Git de terceiros. Para obter mais informações, consulte [MLOps Modelos de projeto](sagemaker-projects-templates.md).
Se os modelos SageMaker fornecidos pela IA não atenderem às suas necessidades (por exemplo, você quiser ter uma orquestração mais complexa CodePipeline com vários estágios ou etapas de aprovação personalizadas), crie seus próprios modelos.
Recomendamos começar usando modelos SageMaker fornecidos pela IA para entender como organizar seu código e recursos e criar com base neles. Para fazer isso, depois de habilitar o acesso do administrador aos modelos de SageMaker IA, faça login no [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/), escolha **Portfólios** e escolha **Importado**. Para obter informações sobre o Service Catalog, consulte [Visão geral do Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/what-is_concepts.html) no *Guia do usuário do Service Catalog*.
Crie seus próprios modelos de projeto para personalizar seu MLOps projeto. SageMaker Os modelos de projeto de IA são produtos provisionados pelo Service Catalog para provisionar os recursos para seu projeto. MLOps
Para criar um modelo de projeto personalizado, conclua as etapas a seguir.
1. Crie um portfólio. Para obter informações, consulte [Etapa 3: criar um portfólio do Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-portfolio.html).
1. Crie um novo produto. Um produto é um CloudFormation modelo. Você pode criar várias versões do produto. Para obter informações, consulte [Etapa 4: criar um produto do Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-product.html).
Para que o produto funcione com SageMaker projetos, adicione os seguintes parâmetros ao seu modelo de produto.
```
SageMakerProjectName:
Type: String
Description: Name of the project
SageMakerProjectId:
Type: String
Description: Service generated Id of the project.
```
**Importante**
Recomendamos que você inclua o CodeCommit repositório no repositório de código de SageMaker IA para que os repositórios do projeto fiquem visíveis no modo VPC. O modelo de exemplo e a adição necessária são mostrados nos exemplos de código a seguir.
Modelo original (exemplo):
```
ModelBuildCodeCommitRepository:
Type: AWS::CodeCommit::Repository
Properties:
# Max allowed length: 100 chars
RepositoryName: !Sub sagemaker-${SageMakerProjectName}-${SageMakerProjectId}-modelbuild # max: 10+33+15+10=68
RepositoryDescription: !Sub SageMaker Model building workflow infrastructure as code for the Project ${SageMakerProjectName}
Code:
S3:
Bucket: SEEDCODE_BUCKETNAME
Key: toolchain/model-building-workflow-v1.0.zip
BranchName: main
```
Conteúdo adicional a ser adicionado no modo VPC:
```
SageMakerRepository:
Type: AWS::SageMaker::CodeRepository
Properties:
GitConfig:
RepositoryUrl: !GetAtt ModelBuildCodeCommitRepository.CloneUrlHttp
Branch: main
```
1. Adicione uma restrição de execução. Uma restrição de execução designa um perfil do IAM que o Service Catalog assume quando um usuário final executa um produto. Para obter informações, consulte [Etapa 6: adicionar uma restrição de execução para atribuir um Perfil do &IAM](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-launchconstraint.html).
1. Provisione o produto [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/)para testar o modelo. Se você estiver satisfeito com seu modelo, continue para a próxima etapa a fim de disponibilizá-lo no Studio (ou Studio Classic).
1. Conceda acesso ao portfólio do Service Catalog que você criou na etapa 1 para seu perfil de execução do Studio (ou Studio Classic). Use o perfil de execução de domínio do Studio ou um perfil de usuário que tenha acesso ao Studio (ou Studio Classic). Para obter informações sobre como adicionar um perfil ao portfólio, consulte [Etapa 7: conceder aos usuários finais acesso ao portfólio](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-deploy.html).
1. Para disponibilizar seu modelo de projeto na lista de **Modelos de organização** no Studio (ou Studio Classic), crie uma tag com a chave e o valor a seguir para o produto do Service Catalog que você criou na etapa 2.
+ **chave**: `sagemaker:studio-visibility`
+ **valor**: `true`
Depois de concluir essas etapas, os usuários do Studio (ou Studio Classic) em sua organização poderão criar um projeto com o modelo que você criou seguindo as etapas em [Crie um MLOps projeto usando o Amazon SageMaker Studio ou o Studio Classic](sagemaker-projects-create.md) e escolhendo **Modelos de organização** ao selecionar um modelo.
## Usando um modelo de um bucket do Amazon S3
Você também pode criar SageMaker projetos usando modelos armazenados no Amazon S3.
**nota**
Embora você possa usar os modelos no AWS Service Catalog, recomendamos que você armazene modelos em um bucket do S3 e crie projetos usando esses modelos.
### Configuração do administrador
Antes de criar projetos usando modelos em um bucket do S3, execute as etapas a seguir.
1. [Crie um bucket do S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html) e carregue seus modelos no bucket.
1. [Configure uma política de CORS em seu bucket do S3 para configurar as permissões de acesso](https://docs.aws.amazon.com/AmazonS3/latest/userguide/enabling-cors-examples.html).
1. Adicione a seguinte tag de valor-chave ao modelo para que elas se tornem visíveis para a SageMaker IA.
```
sagemaker:studio-visibility : true
```
1. [Crie um domínio](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-quick-start.html).
1. Depois que a SageMaker IA terminar de criar seu domínio, adicione a seguinte tag de valor-chave ao domínio:
```
sagemaker:projectS3TemplatesLocation : s3://
```
Em seguida, use o AWS console, o Python ou as [CreateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProject.html)operações de [UpdateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateProject.html)API para criar ou atualizar um SageMaker projeto a partir de modelos dentro do bucket do S3.
------
#### [ Studio ]
**Criar um projeto**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Abra o console do SageMaker Studio seguindo as instruções em [Iniciar o Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. No painel de navegação esquerdo, escolha **Implantações**, **Projetos**, **Criar** projeto.
1. Escolha **Modelos de organização** e, em seguida, **Modelos do S3** para ver os modelos que estão disponíveis para você. Se você não encontrar o modelo esperado, notifique seu administrador.
1. Escolha o modelo que você deseja usar e, em seguida, escolha **Avançar**.
1. Insira um nome para seu projeto, uma descrição opcional e os outros campos obrigatórios. Depois de concluir, escolha a opção **Criar**.
**Atualizar um projeto**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Abra o console do SageMaker Studio seguindo as instruções em [Iniciar o Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Escolha o projeto que você deseja atualizar. Escolha **Ações** e, em seguida, selecione **Atualizar projeto**.
1. Ao atualizar um projeto, você pode atualizar os parâmetros do modelo ou o URL do modelo. Quando concluir, selecione **Próximo**.
1. Revise as atualizações do projeto na tabela de resumo e escolha **Atualizar**.
------
#### [ Python Boto3 ]
Depois de criar o bucket do S3 e carregar seus modelos, você pode usar o exemplo a seguir para criar um SageMaker projeto.
```
sagemaker_client = boto3.client('sagemaker', region_name='us-west-2')
response = sagemaker_client.create_project(
ProjectName='my-custom-project',
ProjectDescription='SageMaker project with custom CFN template stored in S3',
TemplateProviders=[{
'CfnTemplateProvider': {
'TemplateName': 'CustomProjectTemplate',
'TemplateURL': f'https://.s3.us-west-2.amazonaws.com/custom-project-template.yml',
'Parameters': [
{'Key': 'ParameterKey', 'Value': 'ParameterValue'}
]
}
}]
)
print(f"Project ARN: {response['ProjectArn']}")
```
Para atualizar um SageMaker projeto, veja o exemplo a seguir.
```
sagemaker_client = boto3.client('sagemaker', region_name='us-west-2')
response = sagemaker_client.update_project(
ProjectName='my-custom-project',
ProjectDescription='SageMaker project with custom CFN template stored in S3',
TemplateProvidersToUpdate=[{
'CfnTemplateProvider': {
'TemplateName': 'CustomProjectTemplate',
'TemplateURL': f'https://.s3.us-west-2.amazonaws.com/custom-project-template.yml',
'Parameters': [
{'Key': 'ParameterKey', 'Value': 'ParameterValue'}
]
}
}]
)
print(f"Project ARN: {response['ProjectArn']}")
```
------