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.

# Executar o Processador de atributos do Feature Store remotamente
<a name="feature-store-feature-processor-execute-remotely"></a>

Para executar seus processadores de recursos em grandes conjuntos de dados que exigem hardware mais poderoso do que o disponível localmente, você pode decorar seu código com o `@remote` decorador para executar seu código Python local como um trabalho de treinamento distribuído SageMaker de um ou vários nós. Para obter mais informações sobre como executar seu código como um trabalho de SageMaker treinamento, consulte[Execute seu código local como um trabalho SageMaker de treinamento](train-remote-decorator.md). 

Veja a seguir um exemplo de uso do decorador `@remote` junto com o decorador `@feature_processor`.

```
from sagemaker.remote_function.spark_config import SparkConfig
from sagemaker.remote_function import remote
from sagemaker.mlops.feature_store.feature_processor import CSVDataSource, feature_processor

CSV_DATA_SOURCE = CSVDataSource('s3://bucket/prefix-to-csv/')
OUTPUT_FG = 'arn:aws:sagemaker:us-east-1:123456789012:feature-group/feature-group'

@remote(
    spark_config=SparkConfig(), 
    instance_type="ml.m5.2xlarge",
    dependencies="/local/requirements.txt"
)
@feature_processor(
    inputs=[CSV_DATA_SOURCE], 
    output=OUTPUT_FG,
)
def transform(csv_input_df):
   return csv_input_df
   
transform()
```

O parâmetro `spark_config` indica que o trabalho remoto é executado como uma aplicação do Spark. A instância `SparkConfig` pode ser usada para configurar a configuração do Spark e fornecer dependências adicionais à aplicação do Spark, como arquivos Python, JARs e arquivos.

Para iterações mais rápidas ao desenvolver seu código de processamento de atributos, você pode especificar o argumento `keep_alive_period_in_seconds` no decorador `@remote` para reter os atributos configurados em um grupo de aquecimento para trabalhos de treinamento subsequentes. Para obter mais informações sobre grupos de aquecimento, consulte `[KeepAlivePeriodInSeconds](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ResourceConfig.html#sagemaker-Type-ResourceConfig-KeepAlivePeriodInSeconds)` no Guia de referência da API.

O código a seguir é um exemplo do local `requirements.txt:`.

```
sagemaker>=2.167.0
```

Isso instalará a versão correspondente do SageMaker SDK no trabalho remoto, necessária para executar o método anotado por. `@feature-processor`