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.

# Percorra um MLOps projeto de SageMaker IA usando repositórios Git de terceiros
<a name="sagemaker-projects-walkthrough-3rdgit"></a>

**Importante**  
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).  
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).

Este passo a passo usa o modelo [MLOps modelos para criação, treinamento e implantação de modelos com Git de terceiros usando Git CodePipeline](sagemaker-projects-templates-sm.md#sagemaker-projects-templates-git-code-pipeline) para demonstrar como usar MLOps projetos para criar um CI/CD sistema para criar, treinar e implantar modelos.

**Pré-requisitos**

Para concluir este passo a passo, você precisa de:
+ Uma conta do IAM ou do Centro de Identidade do IAM para fazer login no Studio Classic. Para mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
+ Permissão para usar modelos SageMaker de projeto fornecidos pela IA. Para mais informações, consulte [Conceder as permissões necessárias ao SageMaker Studio para usar projetos](sagemaker-projects-studio-updates.md).
+ Familiaridade básica com a interface de usuário do Studio Classic. Para mais informações, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md).
+ Dois GitHub repositórios vazios. Insira esses repositórios no modelo do projeto, que alimentará esses repositórios com o código de criação e implantação do modelo.

**Topics**
+ [Etapa 1: configurar a GitHub conexão](#sagemaker-proejcts-walkthrough-connect-3rdgit)
+ [Etapa 2: criar o projeto](#sagemaker-proejcts-walkthrough-create-3rdgit)
+ [Etapa 3: fazer uma alteração no código](#sagemaker-projects-walkthrough-change-3rdgit)
+ [Etapa 4: aprovar o modelo](#sagemaker-proejcts-walkthrough-approve-3rdgit)
+ [(Opcional) Etapa 5: implantar a versão do modelo na produção](#sagemaker-projects-walkthrough-prod-3rdgit)
+ [Etapa 6: limpar os recursos](#sagemaker-projectcts-walkthrough-cleanup-3rdgit)

## Etapa 1: configurar a GitHub conexão
<a name="sagemaker-proejcts-walkthrough-connect-3rdgit"></a>

Nesta etapa, você se conecta aos seus GitHub repositórios usando uma [Conexões de código da AWS conexão](https://docs.aws.amazon.com/dtconsole/latest/userguide/welcome-connections.html). O projeto de SageMaker IA usa essa conexão para acessar seus repositórios de código-fonte.

**Para configurar a GitHub conexão:**

1. Faça login no CodePipeline console em [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)

1. No painel de navegação **Configurações**, selecione **Conexões**.

1. Escolha **Criar conexão**.

1. Em **Selecionar um provedor**, selecione **GitHub**.

1. Em **Nome da conexão**, insira um nome.

1. Escolha **Connect to GitHub**.

1. Se o GitHub aplicativo AWS Connector não tiver sido instalado anteriormente, escolha **Instalar novo aplicativo**.

   Isso exibe uma lista de todas as contas GitHub pessoais e organizações às quais você tem acesso.

1. Escolha a conta na qual você deseja estabelecer conectividade para uso com SageMaker projetos e GitHub repositórios.

1. Selecione **Configurar**.

1. Opcionalmente, você pode selecionar seus repositórios específicos ou escolher **Todos os repositórios**.

1. Escolha **Salvar**. Quando o aplicativo é instalado, você é redirecionado para a GitHub página **Connect to** e o ID de instalação é preenchido automaticamente.

1. Selecione **Conectar**.

1. Adicione uma tag com a chave `sagemaker` e o valor `true` a essa CodeConnections conexão.

1. Copie o ARN da conexão para salvar para mais tarde. Você usará o ARN como parâmetro na etapa de criação do projeto.

## Etapa 2: criar o projeto
<a name="sagemaker-proejcts-walkthrough-create-3rdgit"></a>

Nesta etapa, você cria um MLOps projeto de SageMaker IA usando um modelo SageMaker de projeto fornecido pela IA para criar, treinar e implantar modelos.

**Para criar o MLOps projeto de SageMaker IA**

1. Faça login no Studio. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).

1. Na barra lateral do Studio, escolha o ícone **Início** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/house.png)).

1. Selecione **Implantações** no menu e, em seguida, selecione **Projetos**.

1. Escolha **Criar projeto**.

   A aba **Criar projeto** será exibida.

1. Para **modelos de projetos de SageMaker IA**, escolha **Construção, treinamento e implantação de modelos com repositórios Git de terceiros** usando. CodePipeline

1. Escolha **Próximo**.

1. Em **ModelBuild CodeRepository Informações**, forneça os seguintes parâmetros:
   + Em **Ramificação**, insira a ramificação a ser usada em seu repositório Git para atividades de pipeline.
   + Em Nome **completo do repositório, insira o nome** do repositório Git no formato de ou. *username/repository name* *organization/repository name*
   + Em **Code Connection ARN**, insira o ARN da CodeConnections conexão que você criou na Etapa 1.

1. Em **ModelDeploy CodeRepository Informações**, forneça os seguintes parâmetros:
   + Em **Ramificação**, insira a ramificação a ser usada em seu repositório Git para atividades de pipeline.
   + Em Nome **completo do repositório, insira o nome** do repositório Git no formato de ou. *username/repository name* *organization/repository name*
   + Em **Code Connection ARN**, insira o ARN da CodeConnections conexão que você criou na Etapa 1.

1. Escolha **Criar projeto**.

O projeto aparece na lista de **Projetos** com o **Status** de **Criado**.

## Etapa 3: fazer uma alteração no código
<a name="sagemaker-projects-walkthrough-change-3rdgit"></a>

Agora, faça uma alteração no código do pipeline que cria o modelo e confirme a alteração para iniciar uma nova execução do pipeline. A execução do pipeline registra uma nova versão do modelo.

**Para fazer uma alteração no código**

1. Em seu GitHub repositório de criação de modelo, navegue até a `pipelines/abalone` pasta. Clique duas vezes em `pipeline.py` para abrir o arquivo de código.

1. No arquivo `pipeline.py`, encontre a linha que define o tipo de instância de treinamento.

   ```
   training_instance_type = ParameterString(
           name="TrainingInstanceType", default_value="ml.m5.xlarge"
   ```

   Abra o arquivo para edição, altere `ml.m5.xlarge` para `ml.m5.large` e, em seguida, confirme.

Depois de confirmar sua alteração de código, o MLOps sistema inicia uma execução do pipeline que cria uma nova versão do modelo. Na próxima etapa, você aprovará a nova versão do modelo para implantá-la na produção.

## Etapa 4: aprovar o modelo
<a name="sagemaker-proejcts-walkthrough-approve-3rdgit"></a>

Agora você aprova a nova versão do modelo que foi criada na etapa anterior para iniciar a implantação da versão do modelo em um endpoint de SageMaker IA.

**Para aprovar a versão do modelo**

1. Na barra lateral do Studio Classic, escolha o ícone **Início** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/house.png)).

1. Selecione **Implantações** no menu e, em seguida, selecione **Projetos**.

1. Encontre o nome do projeto que você criou na primeira etapa e clique nele duas vezes para abrir a aba do projeto.

1. Na aba do projeto, escolha **Grupos de modelos** e clique duas vezes no nome do grupo de modelos que aparecer.

   A aba do grupo de modelos será exibida.

1. Na guia do grupo de modelos, clique duas vezes em **Versão 1**. A aba da **Versão 1** abrirá. Escolha **Atualizar status**.

1. Na caixa de diálogo **Atualizar status da versão do modelo** do modelo, na lista suspensa **Status**, selecione **Aprovar** e, em seguida, **Atualizar status**.

   A aprovação da versão do modelo faz com que o MLOps sistema implante o modelo em teste. Para visualizar o endpoint, escolha a guia **Endpoints** na aba do projeto.

## (Opcional) Etapa 5: implantar a versão do modelo na produção
<a name="sagemaker-projects-walkthrough-prod-3rdgit"></a>

Agora você pode implantar a versão do modelo no ambiente de produção.

**nota**  
Para concluir essa etapa, você precisa ser administrador no seu domínio do Studio Classic. Se você não for administrador, ignore esta etapa.

**Para implantar a versão do modelo no ambiente de produção**

1. Faça login no CodePipeline console em [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)

1. Escolha **Pipelines** e, em seguida, escolha o pipeline com o nome **sagemaker- *projectname* - *projectid* -modeldeploy**, onde *projectname* está o nome do seu projeto e *projectid* o ID do seu projeto.

1. No **DeployStaging**estágio, escolha **Revisar**.

1. Na caixa de diálogo **Revisar**, escolha **Aprovar**.

   A aprovação do **DeployStaging**estágio faz com que o MLOps sistema implemente o modelo na produção. Para visualizar o endpoint, escolha a aba **Endpoints** na aba de projetos do Studio Classic.

## Etapa 6: limpar os recursos
<a name="sagemaker-projectcts-walkthrough-cleanup-3rdgit"></a>

Para parar de incorrer em cobranças, limpe os recursos que foram criados neste passo a passo.

**nota**  
Para excluir a CloudFormation pilha e o bucket do Amazon S3, você precisa ser administrador no Studio Classic. Se você não for administrador, peça ao administrador que conclua essas etapas.

1. Na barra lateral do Studio Classic, escolha o ícone **Início** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/house.png)).

1. Selecione **Implantações** no menu e, em seguida, selecione **Projetos**.

1. Selecione na o projeto de destino na lista suspensa. Se você não vir seu projeto, digite o nome do projeto e aplique o filtro para encontrá-lo.

1. Selecione seu projeto para visualizar seus detalhes no painel principal.

1. Escolha **Excluir** no menu **Ações**.

1. Confirme sua escolha escolhendo **Excluir** na janela **Excluir projeto**.

   Essa ação exclui o produto provisionado pelo Service Catalog que o projeto criou. Isso inclui os CodeBuild recursos CodeCommit CodePipeline,, e criados para o projeto.

1. Exclua as CloudFormation pilhas que o projeto criou. Existem duas pilhas, uma para preparação e outra para produção. Os nomes das pilhas são **sagemaker- *projectname* - *project-id* -deploy-staging e **sagemaker- *projectname* - *project-id* -deploy-prod****, onde *projectname* está o nome do seu projeto e o ID do seu projeto. *project-id*

   *Para obter informações sobre como excluir uma CloudFormation pilha, consulte [Excluindo uma pilha no CloudFormation console no Guia do](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-delete-stack.html) usuário.CloudFormation *

1. Exclua o bucket do Amazon S3 que o projeto criou. O nome do bucket é **sagemaker-project- *project-id***, onde *project-id* está o ID do seu projeto.