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.

# Criar e executar pipelines do Processador de atributos do Feature Store
<a name="feature-store-feature-processor-create-execute-pipeline"></a>

O SDK do Feature Processor fornece APIs para promover suas definições de processador de recursos em um pipeline de SageMaker IA totalmente gerenciado. Para mais informações sobre o Pipelines, consulte [Visão geral do Pipelines](pipelines-overview.md). Para converter suas definições de processador de recursos em um pipeline de SageMaker IA, use a `to_pipeline` API com sua definição de processador de recursos. Você pode agendar execuções de seu processador de recursos. A definição pode ser agendada, monitorá-las operacionalmente com CloudWatch métricas e integrá-las EventBridge para atuar como fontes de eventos ou assinantes. Para obter mais informações sobre o monitoramento de pipelines criados com o Pipelines, consulte [Monitore os pipelines SageMaker do processador de recursos da Amazon Feature Store](feature-store-feature-processor-monitor-pipeline.md).

Para ver seus pipelines do Processador de atributos, consulte [Visualizar as execuções do pipeline a partir do console](feature-store-use-with-studio.md#feature-store-view-feature-processor-pipeline-executions-studio).

Se sua função também estiver decorada com o decorador `@remote`, suas configurações serão transferidas para o pipeline do Processador de atributos. Você pode especificar configurações avançadas, como tipo e contagem de instâncias de computação, dependências de runtime, configurações de rede e segurança usando o decorador `@remote`.

O exemplo a seguir usa as APIs `to_pipeline` e `execute`.

```
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
)
```

A API `to_pipeline` é semanticamente uma operação de inserção. Ele atualiza o pipeline se ele já existir; caso contrário, ele cria um pipeline.

Opcionalmente, a `to_pipeline` API aceita um URI do Amazon S3 que faz referência a um arquivo contendo a definição do Feature Processor para associá-lo ao pipeline do Feature Processor para rastrear a função de transformação e suas versões em SageMaker sua linhagem de aprendizado de máquina de IA.

Para recuperar uma lista de cada pipeline do Processador de atributos em sua conta, você pode usar a API `list_pipelines`. Uma solicitação subsequente à API `describe` retorna detalhes relacionados ao pipeline do Processador de Atributos, incluindo, mas não se limitando a, Pipelines e detalhes de programação.

O exemplo a seguir usa as APIs `list_pipelines` e `describe`.

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

feature_processor_pipelines = list_pipelines()

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