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. # Modelo de programação para Amazon SageMaker AI Fazer chamadas de API diretamente do código é complicado e exige que você escreva um código para autenticar suas solicitações. A Amazon SageMaker AI oferece as seguintes alternativas: + **Use o console de SageMaker IA** — Com o console, você não escreve nenhum código. Você usa a interface de usuário do console para iniciar o treinamento ou implantar um modelo. O console funciona bem para trabalhos simples, nos quais você usa um algoritmo de treinamento integrado e não precisa pré-processar dados de treinamento.   + **Modifique os exemplos de notebooks Jupyter — A SageMaker IA fornece vários notebooks** Jupyter que treinam e implantam modelos usando algoritmos e conjuntos de dados específicos. Comece com um caderno que tenha um algoritmo adequado e modifique-o para acomodar sua fonte de dados e suas necessidades específicas.   + **Escreva código de treinamento e inferência de modelos do zero** — a SageMaker IA fornece várias linguagens de AWS SDK (listadas na visão geral) e o Amazon [Python SDK, uma biblioteca SageMaker Python](https://sagemaker.readthedocs.io/en/stable) de alto nível que você pode usar em seu código para iniciar trabalhos de treinamento de modelos e implantar os modelos resultantes.   + **O SDK do SageMaker Python — essa** biblioteca do Python simplifica o treinamento e a implantação de modelos. Além de autenticar as solicitações, a biblioteca abstrai informações específicas da plataforma fornecendo métodos simples e parâmetros padrão. Por exemplo:   + Para implantar o modelo, você chama apenas o método `deploy()`. O método cria um artefato de modelo de SageMaker IA, uma configuração de endpoint e, em seguida, implanta o modelo em um endpoint.   + Se você usar um script de framework personalizado para treinamento de modelo, chame o método `fit()`. O método cria um arquivo .gzip do seu script, faz upload dele para um local do Amazon S3 e, depois, o executa para treinamento de modelo e outras tarefas. Para obter mais informações, consulte [Linguagens e frameworks de Machine Learning](frameworks.md).   + Para definir padrões para chamadas de SageMaker API feitas pelo SDK do AI SageMaker Python, você usa um dicionário de configuração padrão. Para obter mais informações, consulte [Como configurar e usar padrões com o SDK do Python SageMaker ](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk).   + **O AWS SDKs** — Os métodos de SDKs fornecimento que correspondem à SageMaker API (consulte [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Operations.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_Operations.html)). Use o SDKs para iniciar programaticamente um trabalho de treinamento de modelo e hospedar o modelo na SageMaker IA. Os clientes do SDK gerenciam a autenticação para você, então você não precisa escrever um código de autenticação. Eles estão disponíveis em várias linguagens e plataformas. Para obter mais informações, consulte a lista anterior na visão geral.   Em[Guia para se configurar com o Amazon SageMaker AI](gs.md), você treina e implanta um modelo usando um algoritmo fornecido pela SageMaker IA. O exercício mostra como usar as duas bibliotecas. Para obter mais informações, consulte [Guia para se configurar com o Amazon SageMaker AI](gs.md).   + **Integre a SageMaker IA ao seu fluxo de trabalho do Apache Spark** — a SageMaker IA fornece uma biblioteca para chamá-la APIs do Apache Spark. Com ele, você pode usar estimadores SageMaker baseados em IA em um pipeline do Apache Spark. Para obter mais informações, consulte [Apache Spark com Amazon AI SageMaker](apache-spark.md).