Réseaux neuronaux graphiques, la nouvelle façon de pratiquer le deep learning

La plupart des données dans le monde réel ne sont pas de type euclidien ; en d'autres termes, elles ne se présentent pas sous la forme tabulaire. En ventilant les données dans une table, nous perdons des informations précieuses, en particulier en termes de similarités structurelles et de lien de causalité. Les réseaux neuronaux graphiques utilisent les données non tabulaires. Au cours des dernières années, la science et la technologie ont évolué pour finalement permettre des calculs parallèles massifs sur les graphiques et élargir l'horizon du deep learning. En participant à cet atelier, vous en saurez davantage sur les réseaux neuronaux graphiques et découvrirez un exemple d'entraînement facile d'un réseau neuronal graphique à l'aide de Neptune ML.

Intervenant : Will Badr, architecte de solutions principal, AWS

Machine learning sans code avec Amazon SageMaker Canvas

Les modélisateurs de données, les ingénieurs de données et les analystes de données disposent souvent d'une mine de données internes au sein des entreprises. Dans ces organisations, les experts en données citoyennes n'étant pas souvent des scientifiques des données, ils ne peuvent utiliser ces données que pour établir des rapports analytiques à visée réactive. Dans cette session, vous découvrirez comment Amazon Canvas fournit un outil visuel sans code pour l'analytique prédictive.

Intervenant : Sofian Hamiti, architecte de solutions ML senior, AWS

Environnement de test (sandbox) ML gratuit et simple avec Amazon SageMaker Studio Lab

Dans un univers en pleine croissance comme celui du machine learning (ML), le machine learning est une valeur essentielle. Les scientifiques des données et chercheurs qui essaient d'apprendre de nouveaux sujets comme les débutants qui font leurs premiers pas ont tous besoin d'un environnement gratuit, simple en termes d'utilisation des services, sans stress et qui vous épargne des problèmes liés à l'utilisation de cartes de crédit pour se connecter ainsi que de ceux relatifs aux erreurs à l'origine de factures à payer. Amazon SageMaker Labs fournit un tel environnement ouvert, dans lequel un expérimentateur peut entraîner des modèles sur des instances GPU sans avoir à payer ni à utiliser de carte de crédit en guise de garantie. Par ailleurs, Amazon SageMaker Labs fournit une connectivité aux autres services AWS de base afin de permettre aux expérimentateurs de tester leur travail par rapport à des environnements similaires à ceux qu'ils utilisent. Cet atelier entend servir de guide pratique introductif pour l'utilisation d'Amazon SageMaker Labs.

Intervenant : Boaz Ziniman, chargé de la promotion des développeurs, AWS

Entraînez vos modèles plus rapidement à l'aide d'Amazon SageMaker Training Compiler

Qui dit modèles DL plus complexes, dit plus de temps pour leur optimisation et leur entraînement. En pratique, l'optimisation du code de machine learning (ML) est un exercice difficile et chronophage. Il s'agit d'une compétence rare à développer. En général, les scientifiques des données écrivent leur code d'entraînement dans un cadre ML basé sur Python, et s'appuient sur ce cadre pour compiler leurs modèles sur des noyaux efficaces. Ces translations sont souvent très efficaces. Dans cette session, vous apprendrez comment utiliser SageMaker Training Compiler pour compiler automatiquement votre code d'entraînement Python et générer des noyaux GPU spécifiques pour votre modèle.

Intervenant : Gili Nachum, architecte de solutions spécialisé IA/ML, AWS

Créez des jeux de données de qualité avec Amazon SageMaker Ground Truth Plus

La plupart des modèles de machine learning en production aujourd'hui sont basés sur l'apprentissage supervisé. Les données labélisées de haute qualité sont au cœur de l'apprentissage supervisé. Malgré la forte croissance en termes de volume des données disponibles, le défi est que les données labélisées de haute qualité demeurent une matière première rare. Amazon SageMaker Ground Truth Plus vous permet de créer facilement des jeux de données d'entraînement de haute qualité sans avoir à créer des applications d'étiquetage et à gérer la main-d'œuvre pour l'étiquetage par vous-même. En participant à cet atelier, vous bénéficiez d'une introduction pratique à l'étiquetage automatisé des données à l'aide d'Amazon Ground Truth Plus.

Intervenant : Sohan Maheshwar, chargé de la promotion des développeurs senior, AWS

Traitement des données à grande échelle avec EMR et Spark à l'aide d'Amazon SageMaker Studio

L'entraînement à grande échelle nécessite le streaming des données ainsi que le traitement des données à très grande échelle. Apache Spark est souvent au cœur d'un tel pipeline des données. Apache Spark, Apache Hive et Presto s'exécutant sur des clusters Amazon EMR directement à partir de blocs-notes Amazon SageMaker Studio pour exécuter l'analytique des données et le machine learning à l'échelle du pétaoctet. Cet atelier fournit une introduction pratique à l'utilisation d'Apache Spark à partir de blocs-notes SageMaker.

Intervenant : Jon Reade, Senior architecte de solution spécialisé IA/ML, AWS

Préparez vos données rapidement et donnez-leur du sens à l'aide d'Amazon SageMaker Data Wrangler

Le processus de préparation des données et d'ingénierie des fonctionnalités constitue peut-être l'aspect le plus fastidieux et le plus chronophage du machine learning. Le problème est lié au temps et aux ressources nécessaires pour la phase de préparation, et s'étend au rallongement des délais de commercialisation ainsi qu'aux incertitudes quant à savoir si oui ou non les processus de traitement des données et d'ingénierie des fonctionnalités ont entraîné une entrée optimale pour les modèles. Amazon SageMaker Data Wrangler prend en charge l'optimisation et l'automatisation du processus de traitement des données et d'ingénierie des fonctionnalités à l'aide d'outils visuels. Amazon SageMaker Data Wrangler réduit de plusieurs semaines à quelques minutes le temps nécessaire pour regrouper et préparer les données pour le machine learning (ML). Cet atelier offre aux ingénieurs des données un guide pratique pour Amazon SageMaker Data Wrangler.

Intervenant : Javier Ramirez, chargé de la promotion des développeurs, AWS

Une solution à code faible pour préparer, analyser et afficher vos données

La préparation des données est une étape essentielle pour préparer les données pour l'analytique ou le machine learning. Face à la croissance et à la complexification des données, vous devez étoffer le personnel chargé de préparer les données et de libérer leur valeur. Dans cette session, découvrez de manière approfondie AWS Glue DataBrew, un nouvel outil visuel de préparation des données qui permet aux analystes des données et aux scientifiques des données de nettoyer et de normaliser les données sans écrire de code. Cette session vous offre un guide sur le fonctionnement d'AWS Glue DataBrew, présente des cas d'utilisation courants ainsi que les bonnes pratiques de préparation des données dans tous vos magasins des données.

Intervenant : Yonatan Dolan, spécialiste de l'analytique, AWS

Automatisez les révisions de code avec Amazon CodeGuru Reviewer

Travailler sous pression et avec des délais serrés peut affecter la qualité du code. Dans la plupart des cas extrêmes, les secrets et mots de passe codés en dur qui étaient utilisés à des fins de débogage pouvaient être omis dans le code. Amazon CodeGuru fournit des recommandations intelligentes afin d'améliorer la qualité du code et d'identifier les lignes de code les plus onéreuses d'une application. Les détecteurs de sécurité Amazon CodeGuru utilisent le machine learning et le raisonnement automatisé pour analyser les flux de données et exécuter des analyses complètes inter-procédurales de programmes sur des classes, des méthodes et des fichiers pour détecter des vulnérabilités de sécurité difficilement détectables. Cet atelier offre aux développeurs du domaine du machine learning des informations pratiques sur l'utilisation de CodeGuru, en général, et sur l'utilisation de CodeGuru Reviewer, en particulier.

Intervenante : Ana Cunha, chargée de la promotion des développeurs, AWS

Analysez les données de capteurs existantes pour détecter les comportements anormaux d'équipements

L'implémentation réussie de la maintenance prédictive nécessite d'utiliser des données spécifiques collectées sur l'ensemble de vos capteurs de machines dans des conditions opérationnelles qui vous sont propres, puis d'appliquer le machine learning (ML) pour obtenir des prédictions de haute précision. Cependant, l'implémentation d'une solution ML pour vos équipements peut être une tâche difficile et chronophage. Dans cette session, vous en saurez plus sur Amazon Lookout for Equipment, l'outil qui vous permet d'analyser les données provenant des capteurs de vos équipements afin d'entraîner automatiquement un modèle ML basé sur les données de vos équipements, et ce sans aucune expérience ML requise.

Intervenant : Sean Tracey, chargé de la promotion des développeurs, Royaume-Uni et Irlance, AWS

Extrayez des données et des informations de vos documents

Dans tous les secteurs, des organisations continuent de traiter manuellement leurs documents, un exercice chronophage, enclin aux erreurs et onéreux. Découvrez comment le machine learning peut automatiser le traitement de documents, l'extraction de données et d'informations à partir de demandes d'indemnisation, de demandes de remboursement de soins de santé, de contrats juridiques, et plus encore.

Intervenante : Mia Chang, architecte de solutions spécialisée ML, AWS

Créez plus rapidement des expériences utilisateur personnalisées en temps réel à grande échelle

Vous souhaitez fournir la meilleure expérience possible à vos clients ? Les entreprises demandent aux développeurs de créer des applications capables de fournir une vaste gamme d'expériences de personnalisation, notamment des recommandations de produits spécifiques, des classements de produits personnalisés, des recommandations d'articles similaires et le marketing direct personnalisé. Dans cette session, découvrez comment utiliser Amazon Personalization pour importer vos données, choisir votre cas d'utilisation, préparer un outil de recommandations à technologie de machine learning afin de l'intégrer à vos applications.

Intervenante : Anna Gruebler, architecte de solutions senior spécialisée IA, AWS

Réduisez les délais de déploiement de modèles avec Amazon SageMaker Inference Recommender

Le choix du type d'instance d'inférence pour un modèle est un exercice difficile qui nécessite de nombreuses étapes de test et de dimensionnement, à la fois chronophages et onéreuses. Amazon SageMaker Inference Recommender automatise ce processus, accélérant le déploiement et réduisant les coûts d'inférence. Cet atelier vise à fournir un guide pratique pour configurer et utiliser Amazon SageMaker Inference Recommender.

Intervenant : Mohammed Fazalullah Qudrath, chargé de la promotion des développeurs senior, MENA, AWS

Testez la charge de vos points de terminaison d'inférence

Les points de terminaison sans serveur sont un choix très prisé pour la plupart des cas d'utilisation. Ils sont spécifiquement efficaces pour le trafic imprévisible et dense. Une mise à l'échelle automatique et correctement planifiée est essentielle à l'excellence opérationnelle pour les systèmes qui connaissent des pointes de trafic. Le test de charge est une des principales méthodes permettant aux équipes opérationnelles de planifier leur mise à l'échelle automatique. Cet atelier fournit un guide pratique pour tester la charge des points de terminaison Amazon SageMaker à l'aide d'un large éventail d'outils et d'un cadre sans serveur.

Intervenant : Cyrus Vahid, chargé principal de la promotion des développeurs, spécialisé ML, AWS

Implémentation d'activités MLOps avec Amazon SageMaker

Cette session offre un guide pratique pour préparer, créer, entraîner, déployer et gérer des modèles à grande échelle. Il s'agit d'un guide pour fournir des environnements de développement de modèles homogènes, automatiser les flux de machine learning (ML), implémenter les pipelines CI/CD pour le ML, surveiller les modèles en production et standardiser les fonctionnalités de gouvernance de modèles.

Intervenant : Giuseppe Angelo Porcelli, architecte de solutions principal spécialisé IA/ML, AWS

Exécutez et gérez vos modèles ML à la périphérie à l'aide de SageMaker Edge

Les appareils en périphérie exécutent souvent des applications qui doivent prendre des décisions de façon autonome à une faible latence en s'appuyant sur les flux de données provenant de caméras, de robots et d'autres capteurs physiques. Ces appareils peuvent éventuellement être situés dans des emplacements éloignés et avoir une connectivité au cloud limitée, ou être éventuellement soumis à des exigences règlementaires ou de confidentialité strictes. Amazon SageMaker Edge permet le machine learning (ML) sur les appareils en périphérie à travers l'optimisation, la sécurisation et le déploiement de modèles à la périphérie. Cet atelier vous offre une introduction pratique à l'inférence ML à la périphérie et dans le coud jusqu'à la gestion du cycle de vie à la périphérie.

Intervenant : Hasan Poonawala, architecte de solutions senior spécialisé IA/ML, AWS

Quelle est l'utilité de l'IA/ML et de l'analytique pour les entreprises du secteur industriel (automobile, fabrication, énergie) ?

Les entreprises du secteur industriel s'appuient sur le machine learning (ML) et l'analytique pour accroître l'efficacité, les performances et la durabilité dans chaque aspect de leur cycle de vie, de la conception des produits au service après-vente. Cela permet de connecter l'usine via les services IoT, d'utiliser des téraoctets de données télémétriques provenant de millions de capteurs, d'améliorer les performances opérationnelles et de prédire les erreurs. Inspirez-vous d'entreprises des secteurs de l'automobile, de l'énergie et de la fabrication, notamment BMW, Volswagen, MobilEye, Engie, Octopus Energy, Enel, Shell, BP, Siemens et SKF.

Intervenant : Lionel Billon, responsable de l'analytique et du ML - EMEA Sud et marché émergents, AWS

En quoi l'IA/ML et l'analytique peuvent aider les entreprises du secteur des services financiers ?

Les institutions financières utilisent massivement le machine learning (ML) et l'analytique pour identifier les transactions frauduleuses, fournir de nouveaux services aux clients (par exemple du crédit), maintenir la conformité aux normes rigoureuses de services financiers, faire face aux attaques de cybersécurité ou améliorer le service client. Découvrez comment créer un environnement ML FSI en vous inspirant d'entreprises comme AXA, Zopa, Barclays, Euler Hermes, Siemens Finance, Nat West et Ergo/Munich Re.

Intervenant : Dimitri French, principal chargé du machine learning, AWS

Quelle est l'utilité de l'IA/ML et de l'analytique pour les entreprises des secteurs pharmaceutiques et des sciences de la vie ?

L'utilisation du machine learning (ML) et de l'analytique dans le secteur pharmaceutique révolutionne le processus de découverte de médicaments, accélère les cycles d'expérimentation, réduit les délais de mise sur le marché de médicaments et optimise la logistique. Exemple : le développement d'un nouveau vaccin ARNm contre la COVID-19. Découvrez comment des entreprises pharmaceutiques, comme AstraZenecca, BioNTech, Moderna, Novartis, Roche ou Merk, s'appuient sur le ML pour innover et accélérer les délais de commercialisation.

Intervenant : Luis Campos, responsable de la modernisation des données, de l'analytique et de l'IA/ML, EMEA, AWS

Qu'est-ce que le machine learning peut faire pour les entreprises de logiciels et Internet ?

La création de produits à technologie de machine learning (ML) est le moteur des grandes entreprises de logiciels et Internet. Découvrez comment les entrepreneurs et les gestionnaires de produits utilisent la technologie ML pour créer les principaux produits du marché, de la qualification des cas d'utilisation à la vérification de la qualité des données, en passant par la surveillance des écarts de concepts. Nous mettons l'accent sur ce qui fait le succès des produits à technologie ML dans les entreprises de logiciels et Internet, comme Wix, Amdocs, Gong, d.velop, EXASOL ou Bolt.

Intervenant : Oren Steinberg, responsable de l'IA/ML, EMEA Nord et Sud, AWS

Rendre possible l'impossible : témoignages concernant l'innovation

Découvrez des témoignages concernant des innovations technologiques qui ont permis de créer de nouvelles opportunités, d'accroître les revenus et de résoudre les problèmes majeurs actuels et futurs. Rejoignez-nous sur cette session pour découvrir comment le machine learning, les superordinateurs, l'intelligence artificielle et la robotique optimisent la fabrication dans l'espace, facilitant la croissance du « riz ultra poudre » pour nourrir la population mondiale en plein essor. Cela nous permet ainsi de mettre en place le premier camp de base humain sur la lune, d'ouvrir une nouvelle ère pour les courses de FORMULE 1 et de lutter contre les changements climatiques.

Hôtes :
Olivier Klein, technologue en chef, APJ, AWS
Dr Michelle Dickinson, spécialiste de nanotechnologie et ingénieure des matériaux

Intervenant client 1: Rob Smedley, directeur des systèmes de données, F1
Découvrez comment F1 a utilisé la dynamique des fluides numériques pour créer un modèle de voiture F1 permettant des courses roue contre roue plus rapprochées et plus passionnantes, un processus qui aurait pris plus de 470 ans avec un ordinateur portable classique.

Intervenante cliente 2 : Tatiana Calderón, pilote d'essai Alfa Romeo Racing ORLEN et ambassadeure d'équipe, F1
Découvrez le témoignage fourni par un pilote sur le nouveau style de course auxquelles les voitures de F1 de 2022 ouvrent la voie, et ce que cela va changer dans le futur pour les pilotes et les fans de F1.

Intervenant client 3 : Dr Jordan Nguyen, ingénieur biomédical et technologue futuriste
La lutte contre les maladies liées à l'âge, l'augmentation de la production alimentaire et la conservation de la faune demeurent quelques-uns des principaux défis auxquels nous faisons face aujourd'hui. Découvrez comment les avancées dans le domaine de la recherche génomique, optimisées par le cloud, l'IA et les superordinateurs, nous ont permis de faire pousser du « riz ultra poudre » dans des conditions désertiques, de lutter contre l'extinction du tigre de Sibérie et d'éradiquer les maladies liées à l'âge.

Intervenant client 4 : Dr James Kuffner, directeur délégué et PDG, Woven Planet Holdings
Le projet Woven City de Toyota représente une ville sur mesure du futur construite au pied du mont Fuji. Conçue à l'aide de la technologie de jumeau numérique, la ville combine la mobilité de pointe en périphérie et les technologies de communications aux espaces verts et aux infrastructures durables.

Intervenant client 5 : Andrew Rush, président et directeur de l'exploitation, Redwire
Redwire s'appuie sur l'impression 3D, la robotique, l'intelligence artificielle et le machine learning pour fabriquer des satellites, des structures et des produits dans l'environnement unique et d'apesanteur de l'espace. Cette percée permet de faire avancer l'exploration spatiale et de créer de meilleurs produits pour la vie sur Terre.

Intervenant client 6 : Sally Fouts, directrice chargée de l'engagement Climate Pledge, Amazon
Le Climate Pledge est un engagement en vue de l'élimination des émissions de carbone d'ici 2040, soit 10 ans avant la date fixée par l'accord de Paris. Découvrez comment l'engagement incite des entreprises à se joindre à Amazon pour mener des actions en faveur du climat et accélérer les objectifs, plans et programmes visant à faire face à l'urgence des changements climatiques.

Intervenant client 7: Nujoud Merancy, Chef, Bureau de planification des missions d'exploration, NASA
Découvrez l'innovation technologique qui aide la NASA à construire le premier camp de base à long terme sur la Lune et à envoyer des astronautes sur Mars.

Intervenant client 8 : Glenn Gore, PDG, Affinidi
Affinidi utilise le Web 3.0 pour alimenter les solutions d'identité souveraine en données personnelles appartenant à des individus, créant ainsi de nouveaux modèles opérationnels à travers le monde.

Intervenant : Tom Soderstrom, technologue en chef, secteur public mondial, AWS
Les avancées technologiques, couplées à la réduction des coûts, intensifient la croissance de l'espace économique à travers des projets innovants visant à protéger la Terre depuis l'espace, à améliorer la durabilité dans l'espace et à ouvrir une nouvelle ère dans l'exploration spatiale.