Não estamos mais atualizando o serviço Amazon Machine Learning nem aceitando novos usuários para ele. Essa documentação está disponível para usuários existentes, mas não estamos mais atualizando-a. Para obter mais informações, consulte [O que é o Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html). 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. # Referência do Amazon Machine Learning **Topics** + [Conceder ao Amazon ML permissões para ler seus dados do Amazon S3](granting-amazon-ml-permissions-to-read-your-data-from-amazon-s3.md) + [Conceder permissões ao Amazon ML para gerar previsões no Amazon S3](granting-amazon-ml-permissions-to-output-predictions-to-amazon-s3.md) + [Controlar o acesso aos recursos do Amazon ML com o IAM](controlling-access-to-amazon-ml-resources-by-using-iam.md) + [Prevenção contra o ataque do “substituto confuso” em todos os serviços](cross-service-confused-deputy-prevention.md) + [Gerenciamento de dependências de operações assíncronas](dependency-management-of-asynchronous-operations.md) + [Verificar o status da solicitação](operation-request-status.md) + [Limites do sistema](system-limits.md) + [Nomes e IDs para todos os objetos](names-and-ids-for-all-objects.md) + [Ciclos de vida dos objetos](object-lifetimes.md) # Conceder ao Amazon ML permissões para ler seus dados do Amazon S3 Para criar um objeto de fonte de dados a partir de seus dados de entrada no Amazon S3, você deve conceder ao Amazon ML as seguintes permissões para o local do S3 onde seus dados de entrada estão armazenados: + **GetObject**permissão no bucket e no prefixo do S3. + **ListBucket**permissão no bucket do S3. Ao contrário de outras ações, **ListBucket**devem receber permissões em todo o intervalo (em vez de no prefixo). No entanto, você pode definir o escopo da permissão para um prefixo específico usando uma cláusula **Condition**. Se você usar o console do Amazon ML para criar a fonte de dados, essas permissões podem ser adicionadas ao bucket para você. Você será solicitado a confirmar se deseja adicioná-los ao concluir as etapas no assistente. O exemplo de política a seguir mostra como conceder permissão para o Amazon ML ler dados do local de amostra s3://*examplebucket*/*exampleprefix*, enquanto define o escopo da **ListBucket**permissão somente para o caminho de entrada. *exampleprefix* ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": "s3:GetObject", "Resource": "arn:aws:s3:::examplebucket/exampleprefix/*", "Condition": { "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } }, { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": "s3:ListBucket", "Resource": "arn:aws:s3:::examplebucket", "Condition": { "StringLike": { "s3:prefix": "exampleprefix/*" }, "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } } ] } ``` ------ Para aplicar essa política a seus dados, você deve editar a declaração de política associada ao bucket do S3 em que os dados são armazenados. **Para editar a política de permissões para um bucket do S3 (usando o console antigo)** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon S3 em. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) 1. Selecione o nome do bucket onde os dados residem. 1. Escolha **Properties**. 1. Escolha **Edit bucket policy (Editar política de bucket)** 1. Insira a política mostrada acima, personalizando-a para atender às suas necessidades, e escolha **Save (Salvar)**. 1. Escolha **Salvar**. **Para editar a política de permissões para um bucket do S3 (usando o console novo)** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon S3 em. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) 1. Escolha o nome do bucket e, em seguida, **Permissions (Permissões)**. 1. Escolha **Política do bucket**. 1. Insira a política mostrada acima, personalizando-a para atender às suas necessidades. 1. Escolha **Salvar**. # Conceder permissões ao Amazon ML para gerar previsões no Amazon S3 Para salvar a saída dos resultados da operação de previsão em lote no Amazon S3, você deve conceder ao Amazon ML as seguintes permissões para o local de saída, que é fornecido como entrada para a operação de criação de previsão em lote: + **GetObject**permissão em seu bucket e prefixo do S3. + **PutObject**permissão em seu bucket e prefixo do S3. + **PutObjectAcl**em seu bucket e prefixo do S3. + O Amazon ML precisa dessa permissão para garantir que possa conceder a bucket-owner-full-control permissão padrão de [ACL](https://docs.aws.amazon.com/AmazonS3/latest/userguide/acl-overview.html#canned-acl) à sua conta da AWS, após a criação dos objetos. + **ListBucket**permissão no bucket do S3. Ao contrário de outras ações, **ListBucket**devem receber permissões em todo o intervalo (em vez de no prefixo). No entanto, você pode definir o escopo da permissão como um prefixo específico usando uma cláusula **Condition**. Se você usar o console do Amazon ML para criar a solicitação de previsão em lote, essas permissões poderão ser adicionadas ao bucket para você. Você será solicitado a confirmar se deseja adicioná-las à medida que concluir as etapas do assistente. O exemplo de política a seguir mostra como conceder permissão para o Amazon ML gravar dados no local de amostra s3://examplebucket/exampleprefix, ao mesmo tempo em que define o escopo da **ListBucket**permissão somente para o caminho de entrada exampleprefix e concede a permissão para o Amazon ML definir o objeto ACLs put no prefixo de saída: ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": [ "s3:GetObject", "s3:PutObject" ], "Resource": "arn:aws:s3:::examplebucket/exampleprefix/*", "Condition": { "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } }, { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": "s3:PutObjectAcl", "Resource": "arn:aws:s3:::examplebucket/exampleprefix/*", "Condition": { "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } }, { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": "s3:ListBucket", "Resource": "arn:aws:s3:::examplebucket", "Condition": { "StringLike": { "s3:prefix": "exampleprefix/*" }, "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } } ] } ``` ------ Para aplicar essa política a seus dados, você deve editar a declaração de política associada ao bucket do S3 em que os dados são armazenados. **Para editar a política de permissões para um bucket do S3 (usando o console antigo)** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon S3 em. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) 1. Selecione o nome do bucket onde os dados residem. 1. Escolha **Properties**. 1. Escolha **Edit bucket policy (Editar política de bucket)** 1. Insira a política mostrada acima, personalizando-a para atender às suas necessidades, e escolha **Save (Salvar)**. 1. Escolha **Salvar**. **Para editar a política de permissões para um bucket do S3 (usando o console novo)** 1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon S3 em. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) 1. Escolha o nome do bucket e, em seguida, **Permissions (Permissões)**. 1. Escolha **Política do bucket**. 1. Insira a política mostrada acima, personalizando-a para atender às suas necessidades. 1. Escolha **Salvar**. # Controlar o acesso aos recursos do Amazon ML com o IAM AWS Identity and Access Management (IAM) permite que você controle com segurança o acesso aos serviços e recursos da AWS para seus usuários. Usando o IAM, você pode criar e gerenciar usuários, grupos e funções da AWS, e usar permissões para conceder ou negar acesso aos recursos da AWS. Usando o IAM com o Amazon Machine Learning (Amazon ML), você pode controlar se os usuários de sua organização podem usar recursos específicos da AWS e se podem executar uma tarefa usando ações específicas da API do Amazon ML. O IAM permite: + Criar usuários e grupos na conta da AWS. + Atribua credenciais de segurança exclusivas a cada usuário em sua conta da AWS + Controle as permissões de cada usuário para executar tarefas usando recursos da AWS + Compartilhar com facilidade os recursos da AWS com os usuários na sua conta da AWS + Criar funções para sua conta da AWS e gerenciar permissões para elas para definir os usuários ou os serviços que podem assumi-las + Você pode criar funções no IAM e gerenciar permissões para controlar quais operações podem ser executadas pela entidade ou pelo serviço da AWS que assume a função. É possível também definir qual entidade tem permissão para assumir a atribuição. Se a sua organização já tem identidades do IAM, você pode usá-las para conceder permissões para executar tarefas usando recursos da AWS. Para obter mais informações sobre o IAM, consulte o [Guia do usuário do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/). ## Sintaxe de política do IAM A política do IAM é um documento JSON que consiste em uma ou mais instruções. Cada instrução tem a seguinte estrutura: ``` { "Statement":[{ "Effect":"effect", "Action":"action", "Resource":"arn", "Condition":{ "condition operator":{ "key":"value" } } }] } ``` Uma declaração da política inclui os seguintes elementos: + **Efeito:** controla a permissão para usar os recursos e as ações da API que você especificará posteriormente na instrução. Os valores válidos são `Allow` e `Deny`. Por padrão, os usuários do IAM não têm permissão para usar recursos e ações da API. Por isso, todas as solicitações são negadas. Um `Allow` explícito substitui o padrão. Um `Deny` explícito substitui qualquer `Allows`. + **Ação**: a ação ou as ações específicas da API para as quais você está concedendo ou negando permissão. + **Recurso**: o recurso afetado pela ação. Para especificar um recurso na declaração, use o respectivo nome de recurso da Amazon (ARN). + **Condição (opcional)**: controla quando a política entrará em vigor. Para simplificar a criação e o gerenciamento de políticas do IAM, você pode usar o AWS Policy Generator e o simulador de políticas do IAM. ## Especificando ações de política do IAM para o Amazon ML MLAmazon Em uma declaração de política do IAM, você pode especificar uma ação de API para qualquer serviço que dê suporte ao IAM. Quando você criar uma declaração de política para ações de API do Amazon ML, insira `machinelearning:` no nome da ação da API, como mostrado nos exemplos a seguir: + `machinelearning:CreateDataSourceFromS3` + `machinelearning:DescribeDataSources` + `machinelearning:DeleteDataSource` + `machinelearning:GetDataSource` Para especificar várias ações em uma única declaração, separe-as com vírgulas: ``` "Action": ["machinelearning:action1", "machinelearning:action2"] ``` Também é possível especificar várias ações usando asteriscos. Por exemplo, você pode especificar todas as ações cujo nome começa com a palavra "Get": ``` "Action": "machinelearning:Get*" ``` Para especificar todas as ações do Amazon ML, use o caractere curinga \$1: ``` "Action": "machinelearning:*" ``` Para obter uma lista completa de ações do Amazon ML, consulte a [Referência da API do Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/APIReference/). ## Especificação de recursos ARNs de ML da Amazon nas políticas do IAM As declarações de política do IAM se aplicam a um ou mais recursos. Você especifica recursos para suas políticas de acordo com eles ARNs. Para especificar os ARNs recursos do Amazon ML, use o seguinte formato: “Recurso”, `arn:aws:machinelearning:region:account:resource-type/identifier ` Os exemplos a seguir mostram como especificar comum ARNs. ID da fonte de dados: `my-s3-datasource-id ` ``` "Resource": arn:aws:machinelearning:::datasource/my-s3-datasource-id ``` ID do modelo de ML: `my-ml-model-id ` ``` "Resource": arn:aws:machinelearning:::mlmodel/my-ml-model-id ``` ID da previsão em lote: `my-batchprediction-id ` ``` "Resource": arn:aws:machinelearning:::batchprediction/my-batchprediction-id ``` ID da avaliação: `my-evaluation-id ` ``` "Resource": arn:aws:machinelearning:::evaluation/my-evaluation-id ``` ## Exemplos de políticas para a Amazon MLs **Exemplo 1: Permitir que os usuários leiam metadados de recursos de machine learning** A política a seguir permite que um usuário ou grupo leia os metadados de fontes de dados, modelos de ML, previsões em lote e avaliações executando [DescribeDataSources](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_DescribeDataSources.html), [Descreva MLModels](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_DescribeMLModels.html), [DescribeBatchPredictions](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_DescribeBatchPredictions.html), [DescribeEvaluations](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_DescribeEvaluations.html), [GetDataSourceMLModel[GetBatchPrediction](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_GetBatchPrediction.html)](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_GetDataSource.html), [Get](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_GetMLModel.html) e [GetEvaluation](https://docs.aws.amazon.com/machine-learning/latest/APIReference/API_GetEvaluation.html)ações nos recursos especificados. As permissões das operações Describe\$1 não podem ser restritas a um recurso específico. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "machinelearning:Get*" ], "Resource": [ "arn:aws:machinelearning:us-east-1:123456789012:datasource/S3-DS-ID1", "arn:aws:machinelearning:us-east-1:123456789012:datasource/REDSHIFT-DS-ID1", "arn:aws:machinelearning:us-east-1:123456789012:mlmodel/ML-MODEL-ID1", "arn:aws:machinelearning:us-east-1:123456789012:batchprediction/BP-ID1", "arn:aws:machinelearning:us-east-1:123456789012:evaluation/EV-ID1" ] }, { "Effect": "Allow", "Action": [ "machinelearning:Describe*" ], "Resource": [ "*" ] } ] } ``` ------ **Exemplo 2: Permitir que os usuários criem recursos de machine learning** A seguinte política permite que um usuário ou um grupo crie fontes de dados de Machine Learning, modelos de ML, previsões em lote e avaliações executando as ações `CreateDataSourceFromS3`, `CreateDataSourceFromRedshift`, `CreateDataSourceFromRDS`, `CreateMLModel`, `CreateBatchPrediction` e `CreateEvaluation`. Não é possível restringir as permissões dessas ações a um recurso específico. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "machinelearning:CreateDataSourceFrom*", "machinelearning:CreateMLModel", "machinelearning:CreateBatchPrediction", "machinelearning:CreateEvaluation" ], "Resource": [ "*" ] } ] } ``` ------ **Exemplo 3: Permitir que os usuários criem e excluam endpoints em tempo real e executem previsões em tempo real em um modelo de ML** A seguinte política permite que os usuários ou os grupos criem e excluam endpoints em tempo real e executem previsões em tempo real para um determinado modelo de ML executando as ações `CreateRealtimeEndpoint`, `DeleteRealtimeEndpoint` e `Predict` nesse modelo. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "machinelearning:CreateRealtimeEndpoint", "machinelearning:DeleteRealtimeEndpoint", "machinelearning:Predict" ], "Resource": [ "arn:aws:machinelearning:us-east-1:123456789012:mlmodel/ML-MODEL" ] } ] } ``` ------ **Exemplo 4: Permitir que os usuários atualizem e excluam recursos específicos** A seguinte política permite que um usuário ou um grupo atualize e exclua recursos específicos em sua conta da AWS concedendo a eles permissão para executar as ações `UpdateDataSource`, `UpdateMLModel`, `UpdateBatchPrediction`, `UpdateEvaluation`, `DeleteDataSource`, `DeleteMLModel`, `DeleteBatchPrediction` e `DeleteEvaluation` nesses recursos em sua conta. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "machinelearning:Update*", "machinelearning:DeleteDataSource", "machinelearning:DeleteMLModel", "machinelearning:DeleteBatchPrediction", "machinelearning:DeleteEvaluation" ], "Resource": [ "arn:aws:machinelearning:us-east-1:123456789012:datasource/S3-DS-ID1", "arn:aws:machinelearning:us-east-1:123456789012:datasource/REDSHIFT-DS-ID1", "arn:aws:machinelearning:us-east-1:123456789012:mlmodel/ML-MODEL-ID1", "arn:aws:machinelearning:us-east-1:123456789012:batchprediction/BP-ID1", "arn:aws:machinelearning:us-east-1:123456789012:evaluation/EV-ID1" ] } ] } ``` ------ **Exemplo 5: Permitir qualquer Amazon MLaction** A política a seguir permite que um usuário ou um grupo execute qualquer ação do Amazon ML. Como a política concede acesso total a todos os recursos de Machine Learning, restrinja-a a somente administradores. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "machinelearning:*" ], "Resource": [ "*" ] } ] } ``` ------ # Prevenção contra o ataque do “substituto confuso” em todos os serviços “Confused deputy” é um problema de segurança no qual uma entidade sem permissão para executar uma ação pode coagir uma entidade mais privilegiada a executá-la. Em AWS, a falsificação de identidade entre serviços pode resultar em um problema confuso de delegado. A personificação entre serviços pode ocorrer quando um serviço (o *serviço de chamada*) chama outro serviço (o *serviço chamado*). O serviço de chamada pode ser manipulado de modo a usar suas permissões para atuar nos recursos de outro cliente de uma forma na qual ele não deveria ter permissão para acessar. Para evitar isso, a AWS fornece ferramentas que ajudam você a proteger seus dados para todos os serviços com entidades principais de serviço que receberam acesso aos recursos em sua conta. Recomendamos o uso das chaves de contexto de condição global [https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-sourcearn](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-sourcearn) e [https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-sourceaccount](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-sourceaccount) em políticas de recursos para limitar as permissões que o Amazon Machine Learning concede a outro serviço no recurso para o recurso. Se o valor de `aws:SourceArn` não contém ID da conta, como um ARN do bucket do Amazon S3, você deve usar ambas as chaves de contexto de condição global para limitar as permissões. Se você usa ambas as chaves de contexto de condição global, e o valor `aws:SourceArn` contém o ID da conta, o valor `aws:SourceAccount` e a conta no valor `aws:SourceArn` deverão utilizar a mesma ID de conta quando na mesma declaração de política. Use `aws:SourceArn` se quiser apenas um recurso associado a acessibilidade de serviço. Use `aws:SourceAccount` se quiser permitir que qualquer recurso nessa conta seja associado ao uso entre serviços. A maneira mais eficaz de se proteger contra o problema do substituto confuso é usar a chave de contexto de condição global `aws:SourceArn` com o ARN completo do recurso. Se você não souber o ARN completo do recurso ou se especificar vários recursos, use a chave de condição de contexto global `aws:SourceArn` com curingas (`*`) para as partes desconhecidas do ARN. Por exemplo, .`arn:aws:servicename:*:123456789012:*` O exemplo a seguir mostra como é possível usar as chaves de contexto de condição global `aws:SourceArn` e `aws:SourceAccount` no Amazon ML a fim de evitar o problema do substituto confuso ao ler dados de um bucket do Amazon S3. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": "s3:GetObject", "Resource": "arn:aws:s3:::examplebucket/exampleprefix/*", "Condition": { "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } }, { "Effect": "Allow", "Principal": { "Service": "machinelearning.amazonaws.com" }, "Action": "s3:ListBucket", "Resource": "arn:aws:s3:::examplebucket", "Condition": { "StringLike": { "s3:prefix": "exampleprefix/*" }, "StringEquals": { "aws:SourceAccount": "123456789012" }, "ArnLike": { "aws:SourceArn": "arn:aws:machinelearning:us-east-1:123456789012:*" } } } ] } ``` ------ # Gerenciamento de dependências de operações assíncronas As operações em lote do Amazon ML dependem de outras operações para serem concluídas com êxito. Para gerenciar essas dependências, o Amazon ML identifica solicitações que têm dependências e verifica se as operações foram concluídas. Se as operações não tiverem sido concluídas, o Amazon ML deixa as solicitações iniciais de lado até que as operações das quais dependem tenham sido concluídas. Há algumas dependências entre as operações em lote. Por exemplo, para que você possa criar um modelo de ML, deve criar uma fonte de dados para treinar o modelo de ML. O Amazon ML não poderá treinar um modelo de ML se não houver uma fonte de dados disponível. No entanto, o Amazon ML é compatível com o gerenciamento de dependências para operações assíncronas. Por exemplo, você não precisa aguardar até que as estatísticas de dados sejam calculadas para enviar uma solicitação para treinar um modelo de ML na fonte de dados. Em vez disso, assim que a fonte de dados é criada, você pode enviar uma solicitação para treinar um modelo de ML usando a fonte de dados. O Amazon ML não começa efetivamente a operação de treinamento enquanto as estatísticas da fonte de dados não são calculadas. A MLModel solicitação de criação é colocada em uma fila até que as estatísticas tenham sido computadas; uma vez feito isso, o Amazon ML imediatamente tentará executar a operação de criaçãoMLModel . Da mesma forma, você pode enviar solicitações de previsão em lote e avaliação para os modelos de ML que não tenham concluído o treinamento. A tabela a seguir mostra os requisitos para prosseguir com diferentes ações do AmazonML | **Para…** | **Você deve ter...** | | --- | --- | | Crie um modelo de ML (criarMLModel) | Fonte de dados com estatísticas de dados calculadas | | Criar uma previsão em lote (createBatchPrediction) | Fonte de dados Modelo de ML | | Criar uma avaliação em lote (createBatchEvaluation) | Fonte de dados Modelo de ML | # Verificar o status da solicitação Quando você envia uma solicitação, pode verificar seu status com a API do Amazon Machine Learning (Amazon ML). Por exemplo, se você enviar uma solicitação `createMLModel`, poderá verificar o status usando a chamada `describeMLModel`. O Amazon ML responde com um destes status. | **Status** | **Definição** | | --- | --- | | PENDING | O Amazon ML está validando a solicitação. OU O Amazon ML está aguardando que recursos computacionais se tornem disponível para executar a solicitação. Isso pode ocorrer quando sua conta excede o número máximo de solicitações de operações em lote em execução simultâneas. Se for esse o caso, o status muda para **InProgress**quando outras solicitações em execução forem concluídas ou canceladas. OU O Amazon ML está aguardando a conclusão de uma operação em lote da qual sua solicitação depende. | | INPROGRESS | Sua solicitação ainda está em execução. | | CONCLUÍDO | A solicitação foi concluída e o objeto está pronto para ser usado (modelos de ML e fontes de dados) ou visualizado (previsões em lote e avaliações). | | FAILED | Ocorreu algum erro com os dados fornecidos ou você cancelou a operação. Por exemplo, se você tentar calcular estatísticas de dados em uma fonte de dados que não foi concluída, poderá receber uma mensagem de status Invalid (Inválido) ou Failed (Com falha). A mensagem de erro explica por que a operação não foi concluída com êxito. | | EXCLUÍDA | O arquivo já foi excluído. | O Amazon ML também fornece informações sobre um objeto, como quando o Amazon ML conclui a criação desse objeto. Para obter mais informações, consulte [Listar objetos](listing-objects.md). # Limites do sistema A fim de oferecer um serviço mais eficiente e confiável, o Amazon ML impõe certos limites para as solicitações feitas no sistema. A maioria dos problemas de ML se adapta facilmente a essas restrições. No entanto, se você descobrir que seu uso do Amazon ML está sendo restrito por esses limites, poderá entrar em contato com o [atendimento ao cliente da AWS](https://aws.amazon.com/contact-us/) e solicitar um aumento no limite. Por exemplo, você pode ter um limite de cinco para o número de trabalhos que pode executar simultaneamente. Se você achar que, muitas vezes, trabalhos ficam na fila esperando por recursos devido a esse limite, provavelmente convém aumentar esse limite para a conta. A tabela a seguir mostra os limites por conta padrão no Amazon ML. Nem todos esses limites podem ser aumentados pelo atendimento ao cliente da AWS. | **Limit Type (Tipo de limite)** | **System Limit (Limite do sistema)** | | --- | --- | | Tamanho de cada observação | 100 KB | | Tamanho dos dados de treinamento \$1 | 100 GB | | Tamanho de entrada de previsões em lote | 1 TB | | Tamanho de entrada de previsões em lote (número de registros) | 100 milhões | | Número de variáveis em um arquivo de dados (schema) | 1.000 | | Complexidade da receita (número de variáveis de saída processadas) | 10.000 | | TPS para cada endpoint de previsão em tempo real | 200 | | Total de TPS para todos os endpoints de previsão em tempo real | 10.000 | | Total de RAM para todos os endpoints de previsão em tempo real | 10 GB | | Número de trabalhos simultâneos | 25 | | Maior tempo de execução para qualquer trabalho | 7 dias | | Número de classes para modelos de ML multiclasse | 100 | | Tamanho do modelo de ML | No mínimo 1 MB, no máximo 2 GB | | Número de tags por objeto | 50 | + O tamanho dos seus arquivos de dados é limitado para garantir que os trabalhos terminam em tempo hábil. Os trabalhos que foram executados por mais de sete dias serão encerrados automaticamente, o que resulta em um status FAILED. # Nomes e IDs para todos os objetos Cada objeto no Amazon ML deve ter um identificador ou ID. O console do Amazon ML gera valores de ID para você, mas caso prefira usar a API, você deverá gerar seus próprios. Cada ID deve ser exclusivo entre todos os objetos do mesmo tipo do Amazon ML em sua conta da AWS. Ou seja, você não pode ter duas avaliações com o mesmo ID. É possível ter uma avaliação e uma fonte de dados com o mesmo ID, embora isso não seja recomendado. Recomendamos o uso de identificadores gerados aleatoriamente para seus objetos, prefixados com uma string curta para identificar o tipo. Por exemplo, quando o console do Amazon ML gera uma fonte de dados, ele atribui à fonte de dados uma ID aleatória e exclusiva, como “DS-zsc F”. WIu WiOx Esse ID é suficientemente aleatório para evitar conflitos com qualquer usuário, além de ser compacto e legível. O prefixo "ds-" é para conveniência e clareza, mas não é obrigatório. Se você não tiver certeza do que usar como suas strings de ID, recomendamos o uso de valores de UUID hexadecimais (como 28b1e915-57e5-4e6c-a7bd-6fb4e729cb23), que estão disponíveis em qualquer ambiente de programação moderno. As strings de ID podem conter letras, números, hifens e sublinhados ASCII, e podem ter até 64 caracteres. É possível e talvez conveniente codificar os metadados em uma string de ID. Mas isso não é recomendado já que, após a criação de um objeto, seu ID não pode ser alterado. Os nomes de objetos são uma maneira fácil para você associar metadados amigáveis a cada objeto. É possível atualizar nomes depois que um objeto é criado. Isso permite que o nome do objeto reflita algum aspecto do seu fluxo de trabalho de ML. Por exemplo, você pode inicialmente nomear um modelo de ML como "teste 3" e, mais tarde, renomeá-lo como "modelo de produção final". Os nomes podem ser qualquer string desejada, até 1.024 caracteres. # Ciclos de vida dos objetos Qualquer objeto de fonte de dados, modelo de ML, avaliação ou previsão em lote que você criar com o Amazon ML estará disponível para uso por pelo menos dois anos após a criação. O Amazon ML poderá remover automaticamente os objetos que não forem acessados ou usados por mais de dois anos.