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.

# SageMaker Práticas recomendadas de administração do Studio
<a name="sagemaker-studio-admin-best-practices"></a>

Data de publicação: **25 de abril de 2023** ([Revisões do documento](document-revisions.md))

## Resumo
<a name="abstract"></a>

O [Amazon SageMaker AI Studio](https://aws.amazon.com/sagemaker/studio/) fornece uma interface visual única, baseada na web, na qual você pode realizar todas as etapas de desenvolvimento de aprendizado de máquina (ML), o que melhora a produtividade da equipe de ciência de dados. SageMaker O AI Studio oferece acesso, controle e visibilidade completos de cada etapa necessária para criar, treinar e avaliar modelos. 

 Neste whitepaper, discutimos as melhores práticas para assuntos que incluem modelo operacional, gerenciamento de domínio, gerenciamento de identidades, gerenciamento de permissões, gerenciamento de rede, log, monitoramento e personalização. As melhores práticas discutidas aqui se destinam à implantação do SageMaker AI Studio corporativo, incluindo implantações multilocatárias. Este documento é destinado a administradores de plataformas de ML, engenheiros de ML e arquitetos de ML. 

## Você é Well-Architected?
<a name="are-you-well-architected"></a>

 O [Well-Architected Framework da AWS](https://aws.amazon.com/architecture/well-architected/) ajuda você a entender os prós e os contras das decisões que você toma ao criar sistemas na nuvem. Os seis pilares do framework permitem a você conhecer as melhores práticas de arquitetura para criar e operar sistemas confiáveis, seguros, econômicos e sustentáveis na nuvem. Usando o [AWS Well-Architected Tool](https://aws.amazon.com/well-architected-tool/), disponível gratuitamente no [Console de gerenciamento da AWS](https://console.aws.amazon.com/wellarchitected), você pode analisar suas workloads em relação a essas práticas recomendadas respondendo a um conjunto de perguntas para cada pilar. 

 No [Machine Learning Lens](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machine-learning-lens.html), nos concentramos em como projetar, implantar e arquitetar suas cargas de trabalho de machine learning no Nuvem AWS. Essa lente complementa as práticas recomendadas descritas no Well-Architected Framework. 

## Introdução
<a name="introduction"></a>

 Ao administrar o SageMaker AI Studio como sua plataforma de ML, você precisa de orientação sobre as melhores práticas para tomar decisões informadas para ajudá-lo a escalar sua plataforma de ML à medida que suas cargas de trabalho crescem. Para provisionar, operacionalizar e escalar sua plataforma de ML, considere o seguinte: 
+  Escolha o modelo operacional certo e organize seus ambientes de ML para atender aos seus objetivos de negócios. 
+  Escolha como configurar a autenticação de domínio do SageMaker AI Studio para identidades de usuário e considere as limitações em nível de domínio. 
+  Decida como federar a identidade e a autorização de seus usuários na plataforma de ML para controles de acesso e auditoria refinados. 
+  Considere configurar permissões e barreiras de proteção para várias perfis de suas personas de ML. 
+  Planeje sua topologia de rede de nuvem privada virtual (VPC), considerando a sensibilidade da carga de trabalho de ML, o número de usuários, os tipos de instância, os aplicativos e os trabalhos lançados. 
+  Classifique e proteja seus dados em repouso e em trânsito com criptografia. 
+  Considere como registrar e monitorar várias interfaces de programação de aplicativos (APIs) e atividades do usuário para fins de conformidade. 
+  Personalize a experiência do notebook SageMaker AI Studio com suas próprias imagens e scripts de configuração do ciclo de vida.