Amazon SageMaker Studio fournit une interface visuelle unique, basée sur le Web, qui vous permet de mettre en œuvre toutes les étapes du développement de machine learning. Grâce à SageMaker Studio, vous avez un accès, un contrôle et une visibilité complets sur chaque étape nécessaire à la création, la formation et le déploiement de modèles. Vous pouvez téléverser des données, créer de nouveaux notebooks, former et régler des modèles, faire des aller-retours entre les étapes pour ajuster les expériences, comparer les résultats et déployer les modèles en production. Le tout rapidement et au même endroit, ce qui augmente votre productivité. Toutes les activités de développement de machine learning peuvent être réalisées à l’intérieur de l’interface visuelle unifiée de SageMaker Studio, notamment les notebooks, la gestion d’expériences, la création automatique de modèles, le débogage et le profilage, et la détection de dérive des modèles.

Il est fastidieux de gérer des instances de calcul pour visualiser, exécuter ou partager un notebook. Disponibles en prévisualisation, les Notebooks Amazon SageMaker fournissent des notebooks Jupyter en un clic. Vous pouvez commencer à travailler en quelques secondes. Les ressources compute sous-jacentes sont entièrement élastiques. Vous pouvez donc aisément ajuster les ressources disponibles. Les modifications ont lieu automatiquement, en arrière plan, sans interrompre votre travail. SageMaker permet également le partage automatique des notebooks en un clic. Toutes les dépendances de code sont capturées automatiquement. Vous pouvez donc facilement travailler en collaboration avec d’autres personnes. Vos collaborateurs auront exactement le même notebook, sauvegardé au même endroit.

Vous avez le choix parmi des douzaines de notebooks prédéfinis dans SageMaker pour différentes utilisations. Pour faciliter une mise en route rapide, vous disposez également de centaines d’algorithmes et de modèles préformés sur AWS Marketplace.

Amazon SageMaker Autopilot est la première solution de machine learning automatisé du secteur qui vous offre un contrôle et une visibilité complets sur vos modèles de machine learning. Les approches traditionnelles du machine learning automatisé ne vous donnent pas de visibilité sur les données ou la logique qui ont été utilisés pour la création du modèle. Par conséquent, si le modèle se révèle médiocre, il n’y aucun moyen de le faire évoluer. De plus, vous n’avez pas la possibilité de faire des compromis, par exemple de sacrifier de la précision pour améliorer la rapidité des prédictions, puisque les solutions traditionnelles de machine learning automatisé ne fournissent qu’un seul modèle.

SageMaker Autopilot inspecte automatiquement les données brutes, applique les processeurs de caractéristiques, sélectionne la meilleure combinaison d’algorithmes, forme et règle de multiples modèles, suit leurs performances et classe les modèles selon leur performance, le tout en quelques clics. Le résultat : le modèle le plus performant qui puisse être déployé, en un temps infiniment plus court que celui normalement requis pour former le modèle. Vous avez une visibilité complète sur le processus de création du modèle et sur son contenu, et SageMaker Autopilot s’intègre dans Amazon SageMaker Studio. Vous pouvez explorer jusqu’à 50 modèles différents, générés par SageMaker Autopilot dans Amazon SageMaker Studio. Il est donc facile de choisir le modèle qui convient le mieux à votre utilisation. SageMaker Autopilot peut être utilisé sans expérience particulière en matière de machine learning pour produire un modèle en toute simplicité. Il peut également être utilisé par des développeurs expérimentés pour développer rapidement un modèle qui servira de base de travail à leurs équipes.

En savoir plus »

Les modèles de machine learning performants reposent sur de larges volumes de données de formation de haute qualité. Cependant, le processus de création des données de formation nécessaires à la construction de ces modèles est souvent onéreux, compliqué et prend beaucoup de temps. 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 grâce à Amazon Mechanical Turk et leur fournit des interfaces et des flux de travail prédéfinis pour les tâches d'étiquetage courantes. Vous pouvez également utiliser vos propres étiqueteurs, ou faire appel à des fournisseurs recommandés par Amazon sur AWS Marketplace. En outre, Ground Truth apprend en permanence des étiquettes humaines pour effectuer des annotations automatiques de haute qualité, afin de réduire considérablement les coûts d'étiquetage.

En savoir plus »

Amazon SageMaker Experiments vous permet d’organiser et de suivre les itérations sur les modèles de machine learning. La formation d’un modèle de machine learning demande de nombreuses itérations pour isoler et mesurer l’impact des modifications dans les ensembles de données, des versions d’algorithmes et des paramètres du modèle. Au cours de ces itérations, vous produisez des centaines d’artefacts : des modèles, des données de formation, des configurations de plateforme, des réglages de paramètres et des mesures de formation. Pour suivre ses expériences, il est courant d’utiliser des solutions souvent lourdes, comme des feuilles de calcul.

SageMaker Experiments vous permet de gérer les itérations en capturant automatiquement les paramètres d’entrée, les configuration et les résultats, puis en les stockant en tant qu’« expériences ». Vous pouvez travailler dans l’interface visuelle de SageMaker Studio, où vous pouvez parcourir les expériences actives, rechercher les expériences précédentes à l’aide de leurs caractéristiques, évaluer les expériences précédentes avec leurs résultats et établir des comparaisons visuelles entre les expériences.

Le processus de formation en machine learning est en grande partie opaque et il peut être long et difficile d’optimiser le temps nécessaire à la formation d’un modèle. Par conséquent, il est souvent difficile d’interpréter et d’expliquer les modèles. Amazon SageMaker Debugger rend le processus de formation plus transparent, en prenant des mesures automatiquement et en temps réel au cours de la formation : formation et validation, matrices de confusion et gradients d’apprentissage. Ces mesures permettent d’améliorer la précision du modèle.

Les mesures prises par Amazon SageMaker Debugger peuvent être visualisées dans SageMaker Studio, afin de faciliter leur compréhension. SageMaker Debugger peut également générer des avertissements et des conseils de correction lorsque des problèmes de formation sont détectés. Grâce à SageMaker Debugger, vous pouvez interpréter la manière dont un modèle fonctionne, ce qui représente un premier pas vers l’explicabilité du modèle.

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. Le résultat : il est possible de former des modèles plus précis et plus sophistiqués en beaucoup moins de temps.

Amazon SageMaker fournit Managed Spot Training pour vous aider à réduire les coûts de formation 90 %. Cette solution utilise des instances Spot Amazon EC2, qui constitue une réserve de capacité de calcul d’AWS. Les tâches de formation sont exécutées automatiquement lorsque la capacité de calcul devient disponible, et sont résilientes aux interruptions causées par des modifications dans la capacité. Vous réduisez les coûts grâce à la flexibilité dans le temps d’exécution des tâches de formation.

Amazon SageMaker Model Monitor permet aux développeurs de détecter et de corriger les dérives de concept. Actuellement, l’un des facteurs les plus importants qui peuvent affecter la précision des modèles déployés est un décalage entre les données utilisées pour générer des prédictions et les données utilisées pour la formation du modèle. Par exemple, un changement dans les conditions économiques peut impacter les taux d’intérêt, ce qui affecte les prédictions d’achats immobiliers. Ce phénomène est appelé dérive de concept et a pour conséquence que les comportements sur lesquels se base le modèle pour faire des prédictions ne s’appliquent plus. SageMaker Model Monitor détecte automatiquement les dérives de concept dans les modèles déployés et fournit des alertes détaillées qui aident à identifier la source du problème. Tous les modèles formés dans SageMaker émettent automatiquement des mesures clés qui peuvent être collectées et visualisées dans SageMaker Studio. Depuis SageMaker Studio, vous pouvez configurer les données à collecter, les modalités de visualisation, et quand vous souhaitez recevoir des alertes.

Dans la plupart des applications de deep learning, l'établissement de prévisions à l'aide d'un modèle formé (un processus appelé inférence) peut être un facteur important dans les coûts de calcul de l'application. Une instance GPU complète est peut-être trop importante pour l’inférence du modèle. Il peut également être difficile d'optimiser les ressources nécessaires au GPU, à l'UC et à la mémoire de votre application de deep learning. Amazon Elastic Inference résout ces problèmes en vous permettant d'associer la quantité appropriée d'accélération d'inférence alimentée par GPU à tout type d'instance Amazon EC2 ou Amazon SageMaker, ou à une tâche Amazon ECS sans modification de code. Avec Elastic Inference, vous pouvez désormais choisir le type d'instance le mieux adapté aux besoins globaux de votre application en matière de processeur et de mémoire, puis configurer séparément la quantité d'accélération d'inférence dont vous avez besoin pour utiliser efficacement les ressources et réduire les coûts d'exécution d'inférence.