Amazon SageMaker
L'apprentissage automatique à la portée de tous les développeurs et spécialistes des données.
Amazon SageMaker permet aux développeurs et aux spécialistes des données de créer, former et déployer des modèles Machine Learning rapidement. Amazon SageMaker est un service entièrement géré qui couvre l'ensemble du flux de travail de Machine Learning pour étiqueter et préparer les données, choisir un algorithme, former le modèle, l’ajuster et l’optimiser pour le déploiement, effectuer des prévisions et prendre des mesures. Vos modèles parviennent en production plus rapidement avec moins d'efforts et à moindre coût.
CRÉATION
Collecte et préparation des données de formation
Étiquetage des données et blocs-notes pré-intégrés pour les problèmes courants
Choix et optimisation de l'algorithme de machine learning
Des algorithmes intégrés à hautes performances et des centaines d'algorithmes prêts à l'emploi dans AWS Marketplace
FORMATION
Configuration et gestion des environnements pour la formation
Formation en un clic sur l'infrastructure la plus performante
Formation et ajustement du modèle.
Former une seule fois, exécuter partout et optimisation du modèle
DÉPLOIEMENT
Déploiement du modèle en production
Déploiement en un clic
Mise à l'échelle et gestion de l'environnement de production
Gestion complète avec scalabilité automatique pour 75 % en moins
Clients présentés
Collecte et préparation des données de formation
Étiquetage rapide des données de formation
Amazon SageMaker Ground Truth permet de créer et de gérer rapidement des ensembles de données de formation de haute précision. Ground Truth offre un accès facile aux étiqueteurs humains publics et privés et leur fournit des interfaces et des flux de travail prédéfinis pour les tâches d'étiquetage courantes. En outre, Ground Truth tire parti des étiquettes humaines pour apprendre et effectuer des annotations automatiques de haute qualité afin de réduire considérablement les coûts d'étiquetage.
En savoir plus »
Blocs-notes hébergés
Des blocs-notes Jupyter entièrement gérés que vous pouvez utiliser dans le cloud ou sur votre ordinateur local pour explorer et visualiser vos données, ainsi que pour développer votre modèle. En outre, en partant de zéro, vous pouvez choisir parmi des dizaines de blocs-notes prédéfinis que vous pouvez utiliser tels quels ou modifier en fonction de vos besoins, pour faciliter l'exploration et la visualisation rapides des données de formation. Des solutions sont disponibles pour de nombreux problèmes courants tels que les recommandations et la personnalisation, la détection des fraudes, les prévisions, la classification des images, la prévision de la perte de clients, le ciblage des clients, le traitement des journaux, la détection des anomalies et la synthèse vocale.
En savoir plus »
Choix et optimisation de votre algorithme d'apprentissage automatique
Amazon SageMaker configure et optimise automatiquement TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras et Gluon. Des algorithmes de Machine Learning courants sont intégrés et optimisés pour l’évolutivité, la vitesse et la précision avec plus de 200 modèles et algorithmes pré-formés supplémentaires disponibles sur AWS Marketplace. Vous pouvez également ajouter tout autre framework ou algorithme en l'intégrant dans un conteneur Docker.
Configuration et gestion des environnements de formation
Formation en un clic
Commencez à former votre modèle en un seul clic. Amazon SageMaker gère l'ensemble de l'infrastructure sous-jacente afin de prendre en charge facilement les ensembles de données de plusieurs pétaoctets.
Le Machine Learning distribué le plus rapide dans le cloud.
Les instances Amazon EC2 P3 fournissent 8 GPU NVIDIA Tesla.
64 processeurs virtuels évolutifs Intel Xeon Skylake avec AVX-512
Débit réseau de 25 Gbit/s
16 Go de mémoire par GPU
L'endroit idéal pour exécuter TensorFlow
Les optimisations AWS TensorFlow offrent une efficacité de mise à l’échelle quasi linéaire sur des centaines de GPU afin de s’adapter à l’échelle du cloud et sans nécessiter de traitement excessif pour former des modèles plus précis et plus sophistiqués beaucoup plus rapidement.
Formation et hébergement complètement gérés
Mise à l’échelle quasi linéaire dans des centaines de GPU
Réduction de 75 % des coûts d'inférence
Efficacité de la mise à l'échelle avec 256 GPU
Ajuster et optimiser un modèle
Ajuster automatiquement un modèle
Des modèles à ne former qu'une seule fois afin de pouvoir en profiter n'importe où
Amazon SageMaker Neo vous permet de former un modèle une seule fois, puis de le déployer n'importe où. Avec l'apprentissage automatique, SageMaker Neo optimise automatiquement les modèles formés et créés avec un framework connu, sans perte de précision, pour la plateforme matérielle que vous spécifiez. Vous pouvez ainsi déployer votre modèles dans les instances EC2 et SageMaker ou sur n'importe quel périphérique de périmètre incluant l'exécution Neo, y compris les appareils AWS Greengrass.
Déployer et gérer des modèles en production
Déploiement en production en un seul clic
Amazon SageMaker facilite le déploiement du modèle formé en production en un seul clic afin que vous puissiez commencer à générer des prédictions concernant les données en temps réel ou par lot (ce processus est appelé « déduction »). Votre modèle s'exécute sur des clusters à scalabilité automatique d'instances Amazon SageMaker réparties entre plusieurs zones de disponibilité pour offrir de hautes performances et une disponibilité élevée. Amazon SageMaker inclut aussi des fonctionnalités de test A/B intégrées pour vous aider à tester votre modèle et à expérimenter différentes versions afin d'obtenir les meilleurs résultats.
Exécuter les modèles à la périphérie
AWS Greengrass facilite le déploiement des modèles formés avec Amazon SageMaker sur les périphériques de périmètre afin d'exécuter la fonction de déduction. Avec AWS Greengrass, les appareils connectés peuvent exécuter des fonctions AWS Lambda, assurer la synchronisation des données des appareils et communiquer en toute sécurité avec d'autres appareils, même en l'absence de connexion Internet.
Vous pouvez réduire le coût de déduction du deep learning de 75 % en utilisant Amazon Elastic Inference pour attacher facilement une accélération Elastic GPU à vos instances Amazon SageMaker. Pour la plupart des modèles, une instance GPU complète est surdimensionnée pour la déduction. Il peut également être difficile d'optimiser les ressources nécessaires au GPU, à l'UC et à la mémoire de l'application de deep learning avec un seul type d'instance. Elastic Inference vous permet de choisir le type d'instance qui répond le mieux à vos besoins applicatifs généraux en matière d'UC et de mémoire, puis de configurer la quantité appropriée d'accélération GPU requise pour la déduction.
COMPATIBILITÉ
Témoignages de réussite
« GE Healthcare révolutionne le secteur de la santé en permettant aux prestataires d'améliorer les soins. Nous entraînons des modèles par vision informatique dans Amazon SageMaker, puis nous les déployons dans nos équipements IRM et radiographiques. En appliquant les techniques d'apprentissage par renforcement, nous sommes en mesure de réduire la taille des modèles entraînés tout en assurant le juste équilibre entre compression du réseau et précision du modèle. Amazon SageMaker RL nous a permis de passer du concept à l'implémentation en moins de quatre heures en éliminant la complexité liée à l'exécution des charges de travail RL. »
« La NFL est plus efficace pour élaborer des indicateurs pour l’offre de statistiques de nouvelle génération, grâce à la technologie AWS. Le Machine Learning et d’autres calculs qui prenaient des mois ne nécessitent désormais que quelques semaines ou jours, ce qui nous permet d’échanger avec nos fans et de les informer comme jamais auparavant. »
« Derrière chaque swipe Twinder se cache un système qui gère des millions de requêtes à la minute et des milliards de swipes par jour, dans plus de 190 pays. Amazon SageMaker simplifie le Machine Learning en aidant nos équipes de développement à concevoir des modèles de prédiction qui créent de nouvelles connexions qui n'auraient sans cela jamais été possibles. »
« Avec Amazon SageMaker, nous pouvons accélérer nos initiatives d'intelligence artificielle à grande échelle en concevant et en déployant nos algorithmes sur la plateforme. Nous allons créer de nouveaux algorithmes de machine learning et d'IA à grande échelle, et les déployer sur cette plateforme pour résoudre des problèmes complexes et contribuer à la prospérité de nos clients. »
« Grâce à Amazon SageMaker RL, l'apprentissage par renforcement distribué est désormais simple, scalable et économique. Nous concevons des protéines en développant des outils de pointe pour la découverte et l'optimisation d'enzymes, contribuant ainsi à rendre l'industrie chimique plus abordable et plus écologique. Avec Amazon SageMaker RL, nous pouvons utiliser différents clusters avec différents types d'instance pour la formation et l'exécution de simulations, ce qui a amélioré notre processus de développement tout en réduisant considérablement le coût lié à l'exécution des charges de travail RL. Ces fonctionnalités vont nous permettre d'élargir nos horizons avec l'apprentissage par renforcement multi-agent. »
« Chez Hotels.com, nous cherchons toujours à être plus rapides, à tirer profit des dernières technologies et à rester innovants. Avec Amazon SageMaker, la formation distribuée, les algorithmes optimisés et les fonctions d'hyperparamètre intégrées devraient permettre à mon équipe de concevoir rapidement des modèles plus précis sur nos plus grands volumes de données, réduisant ainsi le temps considérable dont nous avions besoin pour faire passer un modèle à la production. Il s'agit simplement d'un appel d'API. Amazon SageMaker réduit de manière significative la complexité du Machine Learning, et nous sommes ainsi en mesure de créer rapidement une meilleure expérience pour nos clients. »
Matt Frye, VP et directeur de la science des données chez Hotels.com et Expedia Affiliate Network
« L’inclusion du Machine Learning dans nos systèmes et pratiques est un excellent moyen pour nos fans et les 30 clubs de mieux comprendre le jeu. Nous avons choisi AWS pour sa solidité, sa profondeur et son expertise éprouvée pour la fourniture de services de Machine Learning, afin de créer de nouvelles opportunités de partager des indicateurs inédits. »
Jason Gaedtke, Directeur technologique, Major League Baseball
Innovez grâce à l'apprentissage par renforcement entièrement géré
Utilisez l'apprentissage par renforcement (RL) pour créer des modèles sophistiqués pouvant atteindre des objectifs spécifiques sans nécessiter le pré-étiquetage des données de formation. L'apprentissage par renforcement est utile pour les situations où il n'existe pas une seule « bonne » réponse, mais qui implique un résultat optimal (apprendre à conduire une voiture ou réaliser des transactions financières fructueuses, par exemple). Au lieu d'examiner les données historiques, les algorithmes RL basent leur apprentissage sur les actions prises dans un simulateur, dans lequel des récompenses et des pénalités permettent au modèle de déterminer le comportement souhaité.
Amazon SageMaker RL inclut des algorithmes RL intégrés entièrement gérés. SageMaker prend en charge l'apprentissage par renforcement dans plusieurs frameworks, dont TensorFlow et MXNet, ainsi que des frameworks personnalisés conçus spécifiquement pour ce type d'apprentissage, comme Intel Coach et Ray RLlib.
Amazon SageMaker RL prend également en charge plusieurs environnements RL, y compris les environnements de physique 2D et 3D complets, les environnements de simulation commerciale comme MATLAB et SimuLink, ainsi que tout élément prenant en charge l'interface open source OpenAI Gym, notamment les environnements de développement personnalisés. De plus, SageMaker RL vous permet de former les modèles avec des environnements 3D virtuels intégrés dans Amazon Sumerian et AWS RoboMaker. Autrement dit, vous pouvez modéliser ce que vous voulez, qu'il s'agisse de systèmes financiers ou publicitaires, de commandes industrielles, de robots, de véhicules autonomes ou autres.
Ouverture et flexibilité
L'apprentissage automatique à votre façon
La technologie d'apprentissage automatique évolue rapidement. Vous devez donc être ouvert à l'utilisation d'un large éventail de frameworks et d'outils. Avec Amazon SageMaker, vous pouvez utiliser les conteneurs intégrés pour tous les frameworks connus ou opter pour votre framework préféré. Quoi qu'il en soit, Amazon SageMaker gère entièrement l'infrastructure sous-jacente requise pour créer, former et déployer vos modèles.
Performances améliorées à la périphérie
Les fonctionnalités de SageMaker Neo sont également disponibles pour tous les développeurs via le projet Neo open source. Nous pensons qu'il est nécessaire de permettre à tout le monde d'exécuter des modèles depuis partout pour exploiter tout le potentiel de l'apprentissage automatique. En contribuant à l'initiative open source, les fournisseurs de matériel peuvent améliorer Neo grâce à de nouvelles optimisations et faire ainsi évoluer l'ensemble de l'écosystème matériel pour l'apprentissage automatique.
SageMaker s'adapte à votre flux de travail
En coulisses, Amazon SageMaker se constitue de composants séparés : Ground Truth, Notebooks, Training, Neo et Hosting. Ces composants sont conçus pour interagir afin de fournir un service d'apprentissage automatique de bout en bout. Toutefois, ils peuvent aussi être utilisés de manière indépendante afin de compléter les flux de travail d'apprentissage automatique existants ou pour prendre en charge les modèles exécutés dans le centre de données ou à la périphérie.
Apprendre et passer à la vitesse supérieure
AWS DeepRacer
Voiture de course complètement autonome à l'échelle 1/18ème, comprenant tout ce dont vous avez besoin de savoir sur l'apprentissage par renforcement via la conduite autonome.
AWS DeepLens
Découvrez la vision par ordinateur via des projets, des didacticiels et des explorations pratiques en situation réelle grâce à la première caméra vidéo pour développeurs au monde intégrant le deep learning.
Formation et certification en apprentissage automatique AWS
Université d'apprentissage automatique AWS. Cours structurés sur l'apprentissage automatique basés sur les documents utilisés pour former les développeurs Amazon en combinant les connaissances de base et la mise en pratique en situation réelle.
Laboratoire de solutions Amazon ML
Amazon ML Solutions Lab met en relation votre équipe avec des experts Amazon en apprentissage automatique. Ce laboratoire associe des ateliers de formation pratique à des sessions de brainstorming et des services professionnels de conseil, afin de vous permettre de « travailler à contre-courant » pour résoudre des problématiques métier. Il vous guide pas à pas tout au long du processus de développement d'un modèle utilisable en production. Par la suite, vous pourrez utiliser ce que vous avez appris et l'utiliser à d'autres niveaux de votre organisation afin de relever d'autres défis.
