O Amazon Redshift não permitirá mais a criação de UDFs do Python a partir do Patch 198. As UDFs do Python existentes continuarão a funcionar normalmente até 30 de junho de 2026. Para ter mais informações, consulte a [publicação de blog ](https://aws.amazon.com/blogs/big-data/amazon-redshift-python-user-defined-functions-will-reach-end-of-support-after-june-30-2026/). # Observações de uso Ao usar CREATE MODEL, considere o seguinte: + A instrução CREATE MODEL opera em um modo assíncrono e retorna após a exportação de dados de treinamento para o Amazon S3. As etapas restantes do treinamento no Amazon SageMaker AI ocorrem em segundo plano. Enquanto o treinamento estiver em andamento, a função de inferência correspondente será visível, mas não pode ser executada. É possível consultar [STV\$1ML\$1MODEL\$1INFO](r_STV_ML_MODEL_INFO.md) para ver o estado do treinamento. + O treinamento pode ser executado por até 90 minutos em segundo plano, por padrão no modelo Automático e pode ser estendido. Para cancelar o treinamento, basta executar o comando [DROP MODEL](r_DROP_MODEL.md). + O cluster do Amazon Redshift que você usa para criar o modelo e o bucket do Amazon S3 que é usado para preparar os dados de treinamento e os artefatos do modelo devem estar na mesma região da AWS. + Durante o treinamento do modelo, o Amazon Redshift e o SageMaker AI armazenam artefatos intermediários no bucket do Amazon S3 fornecido por você. Por padrão, o Amazon Redshift executa a coleta de resíduos no final da operação CREATE MODEL. O Amazon Redshift remove esses objetos do Amazon S3. Para reter esses artefatos no Amazon S3, defina a opção S3\$1GARBAGE COLLECT OFF. + Você deve usar pelo menos 500 linhas nos dados de treinamento fornecidos na cláusula FROM. + Você só pode especificar até 256 colunas de recursos (entrada) na cláusula FROM \$1 table\$1name \$1 ( select\$1query ) \$1 ao usar a instrução CREATE MODEL. + Para AUTO ON, os tipos de coluna que você pode usar como conjunto de treinamento são SMALLINT, INTEGER, BIGINT, DECIMAL, REAL, DOUBLE, BOOLEAN, CHAR, VARCHAR, DATE, TIME, TIMETZ, TIMESTAMP, e TIMESTAMPTZ. Para AUTO ON, os tipos de coluna que você pode usar como conjunto de treinamento são SMALLINT, INTEGER, BIGINT, DECIMAL, REAL, DOUBLE, e BOOLEAN. + Não é possível usar DECIMAL, DATE, TIME, TIMETZ, TIMESTAMP, TIMESTAMPTZ, GEOMETRY, GEOGRAPHY, HLLSKETCH, SUPER ou VARBYTE como o tipo de coluna de destino. + Para melhorar a precisão do modelo, execute um dos seguintes procedimentos: + Adicione tantas colunas relevantes no comando CREATE MODEL quanto possível quando você especificar os dados de treinamento na cláusula FROM. + Use um valor maior para MAX\$1RUNTOME e MAX\$1CELLS. Valores maiores para este parâmetro aumentam o custo do treinamento de um modelo. + A execução da instrução CREATE MODEL retorna assim que os dados de treinamento são calculados e exportados para o bucket do Amazon S3. Após esse ponto, você pode verificar o status do treinamento usando o comando SHOW MODEL. Quando um modelo que está sendo treinado em segundo plano falhar, você pode verificar o erro usando SHOW MODEL. Não é possível repetir um modelo com falha. Use DROP MODEL para remover um modelo com falha e recriar um novo modelo. Para obter mais informações sobre SHOW MODEL, consulte [SHOW MODEL](r_SHOW_MODEL.md). + O BYOM local oferece suporte ao mesmo tipo de modelos que o Amazon Redshift ML oferece suporte para casos não BYOM. O Amazon Redshift é compatível com o XGBoost simples (usando o XGBoost versão 1.0 ou posterior), modelos KMEANS sem pré-processadores e modelos XGBOOST/MLP/Linear Learner treinados pelo Amazon SageMaker AI Autopilot. Ele é compatível com este último com pré-processadores especificados pelo Autopilot e que são compatíveis com o Amazon SageMaker AI Neo. + Se o cluster do Amazon Redshift tiver o roteamento aprimorado habilitado para a nuvem privada virtual (VPC), crie um endpoint da VPC do Amazon S3 e um endpoint da VPC do SageMaker AI para a VPC em que o cluster está. Isso permite que o tráfego seja executado através de sua VPC entre esses serviços durante CREATE MODEL. Para obter mais informações, consulte [Sub-redes e grupos de segurança da Amazon VPC dos trabalhos do SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-vpc.html#clarify-vpc-job).