本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
特徵處理器 SDK 提供 APIs將您的特徵處理器定義提升為全受管 SageMaker AI 管道。如需管道的詳細資訊，請參閱 管道概觀。若要將 中的特徵處理器定義轉換為 SageMaker AI 管道，請使用 to_pipeline API 搭配您的特徵處理器定義。您可以排程功能處理器定義的執行，並使用 CloudWatch 指標進行操作監控，並將它們與 EventBridge 整合以充當事件來源或訂閱者。如需監控使用管道建立之管道的詳細資訊，請參閱 監控 Amazon SageMaker Feature Store 特徵處理器管道。
若要檢視特徵處理器管道，請參閱從主控台檢視管道執行。
如果您的函式也使用 @remote 裝飾器進行裝飾，則其組態將轉移到特徵處理器管道。您可以使用 @remote 裝飾器指定進階組態，例如運算執行個體類型和計數、執行期相依性、網路和安全組態。
以下範例使用了 to_pipeline 和 execute API。
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
)to_pipeline API 在語意上是更新插入作業。如果管道已存在，則更新管道；如果不存在管道，則建立管道。
to_pipeline API 選擇性接受 Amazon S3 URI，其參考的檔案包含特徵處理器定義，以將其與特徵處理器管道建立關聯，以追蹤 SageMaker AI 機器學習系列中的轉換函數及其版本。
若要擷取您的帳戶中每個特徵處理器管道的清單，您可以透過 list_pipelines API。對 describe API 的後續請求會傳回與特徵處理器管道相關的詳細資訊，包括但不限於管道和排程詳細資訊。
以下範例使用了 list_pipelines 和 describe API。
from sagemaker.feature_store.feature_processor import list_pipelines, describe
feature_processor_pipelines = list_pipelines()
pipeline_description = describe(
pipeline_name = feature_processor_pipelines[0]
)