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 Fluxos de trabalho de IA
<a name="workflows"></a>

Ao escalar suas operações de aprendizado de máquina (ML), você pode usar os serviços de fluxo de trabalho totalmente gerenciados da Amazon SageMaker AI para implementar práticas de integração e implantação contínuas (CI/CD) para seu ciclo de vida de ML. Com o Pipelines SDK, é possível escolher e integrar as etapas do pipeline em uma solução unificada que automatiza o processo de criação do modelo, desde a preparação dos dados até a implantação do modelo. Para arquiteturas baseadas em Kubernetes, você pode instalar operadores de IA em seu cluster Kubernetes para criar trabalhos de SageMaker IA de forma nativa usando a SageMaker API Kubernetes e ferramentas de linha de comando do Kubernetes, como. `kubectl` Com componentes de SageMaker IA para pipelines Kubeflow, você pode criar e monitorar trabalhos de SageMaker IA nativos a partir de seus pipelines Kubeflow. Os parâmetros, o status e as saídas do trabalho da SageMaker IA podem ser acessados na interface do usuário do Kubeflow Pipelines. Por fim, se quiser agendar trabalhos em lotes, você pode usar a integração da fila de trabalhos ou o serviço de fluxos de AWS Batch trabalho baseado no notebook Jupyter para iniciar execuções autônomas ou regulares em um cronograma definido por você.

Em resumo, a SageMaker IA oferece as seguintes tecnologias de fluxo de trabalho:
+ [Pipelines](pipelines.md): ferramenta para criar e gerenciar pipelines de ML.
+ [Orquestração do Kubernetes](kubernetes-workflows.md): operadores personalizados de SageMaker IA para seu cluster Kubernetes e componentes para o Kubeflow Pipelines.
+ [SageMaker Empregos em notebooks](notebook-auto-run.md): execuções em lote não interativas sob demanda ou programadas do seu caderno Jupyter.

Você também pode aproveitar outros serviços que se integram à SageMaker IA para criar seu fluxo de trabalho. As opções incluem os seguintes serviços:
+ [Fluxos de trabalho do Airflow](https://sagemaker.readthedocs.io/en/stable/workflows/airflow/index.html): SageMaker APIs para exportar configurações para criar e gerenciar fluxos de trabalho do Airflow.
+ [AWS Step Functions](https://sagemaker.readthedocs.io/en/stable/workflows/step_functions/index.html): fluxos de trabalho de ML em várias etapas em Python que orquestram a infraestrutura de SageMaker IA sem precisar provisionar seus recursos separadamente.
+ [AWS Batch](https://docs.aws.amazon.com/batch/latest/userguide/getting-started-sagemaker.html): envie trabalhos de treinamento de SageMaker IA para uma fila de AWS Batch trabalhos, onde você pode priorizar e programar trabalhos para execução em um ambiente computacional.

Para obter mais informações sobre o gerenciamento de SageMaker treinamento e inferência, consulte Fluxos de trabalho do [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/workflows/index.html).

**Topics**
+ [Pipelines](pipelines.md)
+ [Orquestração do Kubernetes](kubernetes-workflows.md)
+ [SageMaker Empregos em notebooks](notebook-auto-run.md)
+ [Programe seus fluxos de trabalho de ML](workflow-scheduling.md)
+ [AWS Batch suporte para trabalhos de treinamento em SageMaker IA](training-job-queues.md)