Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Creazione ed esecuzione di pipeline del processore di funzionalità Feature Store
<a name="feature-store-feature-processor-create-execute-pipeline"></a>

Il Feature Processor SDK consente di APIs promuovere le definizioni dei Feature Processor in una pipeline AI completamente gestita SageMaker . Per ulteriori informazioni su Pipelines, consulta [Panoramica su Pipelines](pipelines-overview.md). Per convertire le definizioni del Feature Processor in una pipeline SageMaker AI, utilizza l'`to_pipeline`API con la definizione del Feature Processor. Potete pianificare le esecuzioni della vostra Feature Processor Definition, monitorarle operativamente con CloudWatch metriche e integrarle EventBridge per fungere da fonti di eventi o abbonati. Per ulteriori informazioni sul monitoraggio delle pipeline create con Pipelines, consulta [Monitora le pipeline dei SageMaker Feature Processor di Amazon Feature Store](feature-store-feature-processor-monitor-pipeline.md).

Per visualizzare le pipeline del Processore di funzionalità, consulta [Visualizzazione delle esecuzioni della pipeline dalla console](feature-store-use-with-studio.md#feature-store-view-feature-processor-pipeline-executions-studio).

Se la funzione è decorata anche con il decoratore `@remote`, le relative configurazioni vengono trasferite nella pipeline del Processore di funzionalità. È possibile specificare configurazioni avanzate come il tipo e il numero delle istanze di calcolo, le dipendenze di runtime, le configurazioni di rete e di sicurezza utilizzando il decoratore `@remote`.

L'esempio seguente utilizza and. `to_pipeline` `execute` APIs

```
from sagemaker.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
)
```

L'API `to_pipeline` è semanticamente un'operazione di upsert. Aggiorna la pipeline se esiste già; in caso contrario, crea una pipeline.

L'`to_pipeline`API accetta facoltativamente un URI Amazon S3 che fa riferimento a un file contenente la definizione del Feature Processor per associarlo alla pipeline Feature Processor per tracciare la funzione di trasformazione e le sue versioni nella SageMaker sua linea di apprendimento automatico AI.

Per recuperare un elenco di tutte le pipeline del Processore di funzionalità presenti nel tuo account, puoi utilizzare l'API `list_pipelines`. Una richiesta successiva all’API `describe` restituisce i dettagli relativi alla pipeline del Processore di funzionalità, inclusi, a titolo esemplificativo, i dettagli su Pipelines e sulla pianificazione.

L'esempio seguente utilizza and. `list_pipelines` `describe` APIs

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

feature_processor_pipelines = list_pipelines()

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