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 Piloto automático **Importante** Em 30 de novembro de 2023, a interface do usuário do Autopilot está migrando para o [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) como parte da experiência atualizada do [Amazon SageMaker Studio](studio-updated.md). SageMaker O Canvas fornece aos analistas e cientistas de dados cidadãos recursos sem código para tarefas como preparação de dados, engenharia de recursos, seleção de algoritmos, treinamento e ajuste, inferência e muito mais. Os usuários podem aproveitar visualizações integradas e análises hipotéticas para explorar seus dados e diferentes cenários, com predições automatizadas que permitem que eles produzam facilmente seus modelos. O Canvas é compatível com uma variedade de casos de uso, incluindo visão computacional, previsão de demanda, pesquisa inteligente e IA generativa. Os usuários do [Amazon SageMaker Studio Classic](studio.md), a experiência anterior do [Studio](studio-updated.md), podem continuar usando a interface do usuário do Autopilot no Studio Classic. Usuários com experiência em programação podem continuar usando todas as [referências de API](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html) em qualquer SDK compatível para implementação técnica. Se você usa o Autopilot no Studio Classic até agora e deseja migrar para o SageMaker Canvas, talvez seja necessário conceder permissões adicionais ao seu perfil de usuário ou função do IAM para poder criar e usar o aplicativo SageMaker Canvas. Para obter mais informações, consulte [(Opcional) Migrar do piloto automático no Studio Classic para o Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot). [Todas UI-related as instruções neste guia dizem respeito aos recursos autônomos do Autopilot antes da migração para o Amazon Canvas. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) Os usuários que seguem essas instruções devem usar o [Studio Classic](studio.md). O Amazon SageMaker Autopilot é um conjunto de recursos que simplifica e acelera vários estágios do fluxo de trabalho de aprendizado de máquina automatizando o processo de criação e implantação de modelos de aprendizado de máquina (AutoML). A página a seguir explica as principais informações sobre o Amazon SageMaker Autopilot. O Autopilot executa as seguintes tarefas principais que você pode usar no Autopilot ou com vários graus de orientação humana: + **Análise e pré-processamento de dados:** o Autopilot identifica seu tipo de problema específico, processa valores ausentes, normaliza seus dados, seleciona atributos e, em geral, prepara os dados para o treinamento de modelos. + **Seleção de modelos:** o Autopilot explora uma variedade de algoritmos e usa uma técnica de reamostragem de validação cruzada para gerar métricas que avaliam a qualidade preditiva dos algoritmos com base em métricas objetivas predefinidas. + **Otimização de hiperparâmetros:** o Autopilot automatiza a busca por configurações ideais de hiperparâmetros. + **Treinamento de modelo e avaliação:** o Autopilot automatiza o processo de treinamento e avaliação de vários modelos candidatos. Ele divide os dados em conjuntos de treinamento e validação, treina os candidatos ao modelo selecionados usando os dados de treinamento e avalia seu desempenho com base nos dados não vistos no conjunto de validação. Por fim, ele classifica os candidatos a modelos otimizados com base em seu desempenho e identifica o modelo com melhor performance. + **Implantação do modelo:** Após o Autopilot ter identificado o modelo com melhor performance, oferece a opção de implantar o modelo automaticamente gerando os artefatos do modelo e o endpoint expondo uma API. Aplicações externas podem enviar dados para o endpoint e receber as predições ou inferências correspondentes. O Autopilot oferece apoio à criação de modelos de machine learning em grandes conjuntos de dados de até centenas de GBs. A seguir, o diagrama delineia as tarefas deste processo do AutoML gerenciado pelo Autopilot. ![Visão geral do processo Amazon SageMaker Autopilot AutoML.](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/Autopilot-process-graphic-1.png) Dependendo do seu nível de conforto com o processo de machine learning e sua experiência em codificação, você pode usar o Autopilot de diferentes maneiras: + **Uso da interface do usuário do Studio Classic**, os usuários podem escolher entre uma experiência sem código ou ter algum nível de contribuição humana. **nota** Somente experimentos criados a partir de dados tabulares para tipos de problemas, como regressão ou classificação, estão disponíveis por meio da interface do usuário do Studio Classic. + **Usando a API do AutoML**, os usuários com experiência em codificação podem usar os SDKs disponíveis para criar trabalhos do AutoML. Essa abordagem oferece maior flexibilidade e opções de personalização e está disponível para todos os tipos de problemas. Atualmente, o Autopilot oferece apoio aos seguintes tipos de problemas: **nota** Para problemas de regressão ou classificação envolvendo dados tabulares, os usuários podem escolher entre duas opções: usar a interface de usuário do Studio Classic ou as [Referências da API](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html). Tarefas como classificação de texto e imagem, previsão de séries temporais e ajuste de grandes modelos de linguagem estão disponíveis exclusivamente na versão 2 da [API REST do AutoML](autopilot-reference.md). Se sua linguagem preferida for Python, você pode se referir diretamente ao [AWS SDK para Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_auto_ml_job_v2.html)[objeto AutoMLv2 do](https://sagemaker.readthedocs.io/en/stable/api/training/automlv2.html#sagemaker.automl.automlv2.AutoMLV2) Amazon Python SDK. SageMaker Os usuários que preferem a conveniência de uma interface de usuário podem usar o [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) para acessar modelos pré-treinados e modelos básicos de IA generativos, ou criar modelos personalizados para textos específicos, classificação de imagens, necessidades de previsão ou IA generativa. + **Classificação multiclasse, de regressão e binária** com dados tabulares formatados como arquivos CSV ou Parquet, nos quais cada coluna contém um atributo com um tipo de dados específico e cada linha contém uma observação. Os tipos de dados de coluna aceitos incluem séries numéricas, categóricas, de texto e temporais que consistem em sequências de números separados por vírgulas. + Para criar um trabalho de piloto automático como um experimento piloto usando a referência da SageMaker API, consulte[Crie trabalhos de regressão ou classificação para dados tabulares com a API do AutoML](autopilot-automate-model-development-create-experiment.md). + Para criar um trabalho no Autopilot como um experimento piloto usando a interface do usuário do Studio Classic, consulte [Crie um experimento de Regressão ou de Classificação do Autopilot com os dados tabulares usando a interface do usuário do Studio Classic](autopilot-automate-model-development-create-experiment-ui.md). + Se você for um administrador que deseja pré-configurar a infraestrutura padrão, a rede ou os parâmetros de segurança dos experimentos do Autopilot na interface do usuário do Studio Classic, consulte [Configurar os parâmetros padrão de um experimento do Autopilot (para administradores)](autopilot-set-default-parameters-create-experiment.md). + **Classificação de texto** com formato de dados como arquivos CSV ou Parquet nos quais uma coluna fornece as frases a serem classificadas, enquanto outra coluna deve fornecer o rótulo da classe correspondente. Consulte [Crie um trabalho de AutoML para classificação de texto com a API](autopilot-create-experiment-text-classification.md). + **Classificação de imagens** com formatos de imagens como PNG, JPEG ou uma combinação de ambos. Consulte [Crie um trabalho de classificação de imagens usando a API AutoML](autopilot-create-experiment-image-classification.md). + **Time-series previsão** com dados de séries temporais formatados como arquivos CSV ou Parquet.Consulte. [Crie um trabalho de AutoML para previsão de séries temporais com a API](autopilot-create-experiment-timeseries-forecasting.md) + Fine-tuning de modelos de linguagem grande (LLMs) para **geração de texto** com dados formatados como arquivos CSV ou Parquet.Consulte. [Crie uma tarefa do AutoML para ajustar os modelos de geração de texto usando a API](autopilot-create-experiment-finetune-llms.md) Além disso, o Autopilot ajuda os usuários a entender como os modelos fazem predições, gerando relatórios automaticamente que mostram a importância de cada atributo individual. Isso fornece transparência e insights sobre os fatores que influenciam as predições, que podem ser usados por equipes de risco e conformidade e por reguladores externos. O Autopilot também fornece um relatório de desempenho do modelo que engloba um resumo das métricas de avaliação, uma matriz de confusão, várias visualizações, como curvas características operacionais do receptor e curvas de recuperação de precisão e muito mais. O conteúdo específico de cada relatório varia de acordo com o tipo de problema do experimento do Autopilot. Os relatórios de desempenho e explicabilidade do melhor modelo candidato em um experimento do Autopilot estão disponíveis para os tipos de problemas de classificação de dados tabulares, texto e imagem. Para casos de uso de dados tabulares como regressão ou classificação, o Autopilot oferece visibilidade adicional sobre como os dados foram organizados e como os modelos candidatos foram selecionados, treinados e ajustados, gerando cadernos que contêm o código usado para explorar os dados e encontrar o modelo com melhor desempenho. Esses cadernos fornecem um ambiente interativo e exploratório para ajudar você a aprender sobre o impacto de várias entradas ou as compensações feitas nos experimentos. Você pode experimentar ainda mais com o modelo candidato de maior desempenho fazendo suas próprias modificações nos cadernos de exploração de dados e definição de candidatos fornecidos pelo Autopilot. Com a Amazon SageMaker AI, você paga somente pelo que usa. Você paga pelos recursos de computação e armazenamento subjacentes na SageMaker IA ou em outros AWS serviços, com base no seu uso. Para obter mais informações sobre o custo do uso da SageMaker IA, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing). **Topics** + [Crie trabalhos de regressão ou classificação para dados tabulares com a API do AutoML](autopilot-automate-model-development-create-experiment.md) + [Crie um trabalho de classificação de imagens usando a API AutoML](autopilot-create-experiment-image-classification.md) + [Crie um trabalho de AutoML para classificação de texto com a API](autopilot-create-experiment-text-classification.md) + [Crie um trabalho de AutoML para previsão de séries temporais com a API](autopilot-create-experiment-timeseries-forecasting.md) + [Crie uma tarefa do AutoML para ajustar os modelos de geração de texto usando a API](autopilot-create-experiment-finetune-llms.md) + [Crie um experimento de Regressão ou de Classificação do Autopilot com os dados tabulares usando a interface do usuário do Studio Classic](autopilot-automate-model-development-create-experiment-ui.md) + [Notebooks de exemplo do Amazon SageMaker Autopilot](autopilot-example-notebooks.md) + [Vídeos: Usar o Autopilot para automatizar e explorar o processo de machine learning](autopilot-videos.md) + [Cotas do Autopilot](autopilot-quotas.md) + [Guia de referência da API do Autopilot](autopilot-reference.md)