Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Création et exécution de pipelines d'intégrateur de fonctionnalités Feature Store
<a name="feature-store-feature-processor-create-execute-pipeline"></a>

Le SDK Feature Processor fournit des API pour promouvoir les définitions de vos processeurs de fonctionnalités dans un pipeline d' SageMaker IA entièrement géré. Pour plus d’informations sur les pipelines, consultez [Présentation des pipelines](pipelines-overview.md). Pour convertir vos définitions de processeur de fonctionnalités en pipeline d' SageMaker intelligence artificielle, utilisez l'`to_pipeline`API avec votre définition de processeur de fonctionnalités. Vous pouvez planifier les exécutions de votre Feature Processor. La définition peut être planifiée, les surveiller de manière opérationnelle à l'aide de CloudWatch métriques et les intégrer EventBridge pour agir en tant que sources d'événements ou abonnés. Pour plus d’informations sur la surveillance des pipelines créés avec Pipelines, consultez [Surveillez les pipelines SageMaker d'Amazon Feature Store Feature Processor](feature-store-feature-processor-monitor-pipeline.md).

Pour consulter vos pipelines d’intégrateur de caractéristiques, consultez [Visualisation des exécutions de pipelines depuis la console](feature-store-use-with-studio.md#feature-store-view-feature-processor-pipeline-executions-studio).

Si votre fonction est également décorée avec le décorateur `@remote`, ses configurations sont transférées vers le pipeline d'intégrateur de fonctionnalités. Vous pouvez spécifier des configurations avancées telles que le type et le nombre d'instances de calcul, les dépendances d'exécution, les configurations réseau et de sécurité à l'aide du décorateur `@remote`.

L'exemple suivant utilise les API `to_pipeline` et `execute`.

```
from sagemaker.mlops.feature_store.feature_processor import (
    execute, to_pipeline, describe, TransformationCode
)

pipeline_name="feature-processor-pipeline"
pipeline_arn = to_pipeline(
    pipeline_name=pipeline_name,
    step=transform,
    transformation_code=TransformationCode(s3_uri="s3://bucket/prefix"),
)

pipeline_execution_arn = execute(
    pipeline_name=pipeline_name
)
```

D'un point de vue sémantique, l'API `to_pipeline` est une opération de mise à jour/insertion. Elle met à jour le pipeline s’il existe déjà ; dans le cas contraire, elle crée un pipeline.

L'`to_pipeline`API accepte éventuellement un URI Amazon S3 qui fait référence à un fichier contenant la définition du Feature Processor pour l'associer au pipeline Feature Processor afin de suivre la fonction de transformation et ses versions dans sa lignée d'apprentissage automatique basée sur l' SageMaker IA.

Pour récupérer la liste de tous les pipelines d’intégrateur de caractéristiques de votre compte, vous pouvez utiliser l’API `list_pipelines`. Une demande ultérieure adressée à l’API `describe` renvoie des informations associées au pipeline d’intégrateur de caractéristiques, y compris, mais sans s’y limiter, les pipelines et leurs détails de planification.

L’exemple suivant utilise les API `list_pipelines` et `describe`.

```
from sagemaker.mlops.feature_store.feature_processor import list_pipelines, describe

feature_processor_pipelines = list_pipelines()

pipeline_description = describe(
    pipeline_name = feature_processor_pipelines[0]
)
```