Questions d'ordre général

Q : Qu'est-ce qu'Amazon SageMaker ?

Amazon SageMaker est un service entièrement géré permettant aux développeurs et aux spécialistes des données de créer, former et déployer rapidement et facilement des modèles d'apprentissage automatique.

Q : Que puis-je faire avec Amazon SageMaker ?

Amazon SageMaker permet aux développeurs et aux spécialistes des données de créer des modèles d'apprentissage automatique pour une utilisation dans des applications intelligentes et prédictives.

Q : Comment démarrer avec Amazon SageMaker ?

Pour démarrer avec Amazon SageMaker, vous devez vous connecter à la console Amazon SageMaker, lancer une instance de bloc-notes avec un exemple de bloc-notes, la modifier pour la connecter à vos sources de données, suivre l'exemple pour créer/former/valider des modèles, et déployer en production le modèle ainsi obtenu avec seulement quelques entrées.

Q : Dans quelles régions le service Amazon SageMaker est-il disponible ?

Pour obtenir la liste des régions AWS prenant en charge Amazon SageMaker, veuillez consulter le tableau des régions AWS de toute l'infrastructure mondiale AWS. Pour en savoir plus, consultez la section Régions et points de terminaison du document Références générales AWS.

Q : Puis-je obtenir un historique de tous les appels d'API Amazon SageMaker effectués sur mon compte à des fins d'analyse de sécurité et de résolution des problèmes opérationnels ?  

Oui. Pour obtenir un historique des appels d'API Amazon SageMaker réalisés sur votre compte, il vous suffit d'activer AWS CloudTrail dans AWS Management Console. Les appels d'API suivant dans Amazon SageMaker Runtime ne sont *pas* enregistrés et transmis : InvokeEndpoint.

Q : Quelle est la disponibilité du service Amazon SageMaker ?

Le service Amazon SageMaker est conçu pour offrir une haute disponibilité. Il n'y a ni fenêtres de maintenance ni arrêts programmés. Les API Amazon SageMaker fonctionnent dans les centres de données fiables et hautement disponibles d'Amazon. En outre, cette API offre une réplication de piles de service configurée dans trois installations au sein de chaque région AWS, afin d'assurer une tolérance aux pannes en cas de panne du serveur ou au niveau de la zone de disponibilité.

Q : Quelles mesures de sécurité sont intégrées au service Amazon SageMaker ?

Amazon SageMaker garantit que les artefacts de modèles d'apprentissage automatique et d'autres artefacts du système sont chiffrés en transit et au repos. Les requêtes sont envoyées à l'API et à la console Amazon SageMaker par le biais d'une connexion sécurisée (SSL). Vous transmettez des rôles AWS Identity and Access Management roles à Amazon SageMaker pour accorder des autorisations d'accès aux ressources en votre nom pour la formation et le déploiement. Vous pouvez utiliser des compartiments S3 chiffrés pour les artefacts de modèles et les données, ainsi que pour transmettre une clé KMS à des notebooks Amazon SageMaker, des tâches d'entraînement et des points de terminaison, afin de chiffrer le volume de stockage d'apprentissage machine attaché.

Q : Comment le service Amazon SageMaker sécurise-t-il mon code ?

Amazon SageMaker stocke votre code dans des volumes de stockage d'apprentissage automatique, sécurisés par des groupes de sécurité et éventuellement chiffrés au repos.

Q : De quelle manière l'utilisation d'Amazon SageMaker m'est-elle facturée ?

Vous payez les ressources de calcul, de stockage et de traitement des données d'apprentissage automatique que vous utilisez pour héberger le bloc-notes, former le modèle, réaliser des prédictions et journaliser les sorties. Amazon SageMaker vous permet de sélectionner le nombre et le type d'instances utilisées pour le bloc-notes hébergé, la formation et l'hébergement du modèle. Vous payez uniquement pour ce que vous utilisez et en fonction de votre consommation ; il n'y a pas de frais minimums et aucun engagement initial n'est requis.

Q : Et si je possède mon propre bloc-notes, ma propre formation ou mon propre environnement d'hébergement ?

Amazon SageMaker fournit un flux de travail complet de bout en bout, mais vous pouvez à utiliser vos outils existants avec le service. Vous pouvez facilement transférer les résultats de chaque étape vers et depuis Amazon SageMaker en fonction de vos besoins métier.

Blocs-notes Jupyter hébergés

Q : Quels types de blocs-notes sont pris en charge ?

Les blocs-notes Jupyter sont actuellement pris en charge.

Q : Comment conservez-vous les fichiers de bloc-notes lorsque j'arrête mon espace de travail ?

Vous pouvez conserver vos fichiers de bloc-notes sur le volume de stockage d'apprentissage automatique attaché. Le volume de stockage d'apprentissage automatique est détaché lorsque l'instance de bloc-notes est arrêtée et rattaché lorsque celle-ci est relancée. Les éléments stockés en mémoire ne sont pas conservés.

Q : Comment augmenter les ressources disponibles dans mon bloc-notes ?

Vous pouvez modifier l'instance de bloc-notes et sélectionner un profil supérieur via la console Amazon SageMaker, après avoir enregistré vos fichiers et données dans le volume de stockage d'apprentissage automatique attaché. L'instance de bloc-notes est alors redémarrée avec un plus grand nombre de ressources disponibles, avec les mêmes fichiers de bloc-notes et bibliothèques installées.

Q : Comment former un modèle à partir d'un bloc-notes Amazon SageMaker ?

Après avoir lancé un exemple de bloc-notes, vous pouvez personnaliser le bloc-notes pour l'adapter à votre source de données et à votre schéma, puis exécuter les API AWS pour créer une tâche de formation. L'état d'avancement ou d'achèvement de la tâche est disponible via la console Amazon SageMaker ou les API AWS.

Formation de modèle

Q : Existe-t-il des limites concernant la taille de l'ensemble de données que je peux utiliser pour la formation ?

Aucune limite ne s'applique à la taille de l'ensemble de données que vous pouvez utiliser pour la formation de modèles avec Amazon SageMaker.

Q : Quelles sources de données puis-je facilement transférer dans Amazon SageMaker ?

Vous pouvez spécifier l'emplacement Amazon S3 de vos données de formation dans le cadre de la création d'une tâche de formation.

Q : Quels algorithmes le service Amazon SageMaker utilise-t-il pour générer des modèles ?

Amazon SageMaker comprend des algorithmes intégrés pour la régression linéaire, la régression logistique, le partitionnement en k-moyennes, l'analyse des composants principaux, les machines de factorisation, l'algorithme Neural Topic Model, l'allocation de Dirichlet latente, le boosting d'arbres de décision, l'algorithme sequence2sequence, la prévision des séries chronologiques, le groupe word2vec et la classification d'images. Amazon SageMaker fournit également des conteneurs optimisés Apache MXNet, Tensorflow, Chainer et PyTorch. De plus, Amazon SageMaker prend en charge vos algorithmes de formation personnalisés fournis via une image Docker conforme aux spécifications documentées.

Q : Qu'est-ce qu'Automatic Model Tuning ?

La plupart des algorithmes de Machine Learning exposent divers paramètres contrôlant la façon dont l'algorithme sous-jacent fonctionne. Ces paramètres sont généralement appelés hyperparamètres et leurs valeurs affectent la qualité des modèles formés. Automatic Model Tuning consiste en la recherche d'hyperparamètres pour un algorithme pouvant assumer un modèle optimal.

Q : Quels modèles peuvent être ajustés avec Automatic Model Tuning ?

Vous avez la possibilité d'exécuter Automatic Model Tuning dans Amazon SageMaker avant tout autre algorithme à condition que ce soit technique faisable, notamment les algorithmes SageMaker intégrés, les réseaux neuraux approfondis ou encore les algorithmes que vous importez dans Amazon SageMaker sous la forme d'images Docker.

Q : Puis-je utiliser Automatic Model Tuning en dehors d'Amazon SageMaker ?

Pas à l'heure actuelle. Vous profiterez des meilleures performances et expériences d'ajustement de modèle dans Amazon SageMaker.

Q : Qu'est-ce que l'algorithme d'ajustement sous-jacent ?

À l'heure actuelle, notre algorithme d'ajustement des hyperparamètres consiste en une mise en application personnalisée d'une optimisation bayésienne. Il vise à optimiser une métrique d'objet spécifique au client par l'intermédiaire d'un processus d'ajustement. D'une manière spécifique, il vérifie les métriques d'objet des tâches de formation terminées et utilise les connaissances pour en déduire la combinaison d'hyperparamètres pour la prochaine tâche de formation.

Q : Recommanderez-vous des hyperparamètres pour l'ajustement ?

Non. L'impact des hyperparamètres sur les performances d'un modèle dépend de divers facteurs et il est difficile de se prononcer catégoriquement sur un hyperparamètre plus important que d'autres et qui doit donc être ajusté. Pour les algorithmes intégrés dans Amazon SageMaker, nous déterminons si un hyperparamètre est ajustable ou non.

Q : Combien de temps prend une tâche d'ajustement d'hyperparamètre ?

La durée d'une tâche d'ajustement d'hyperparamètre dépend de plusieurs facteurs, dont la taille des données, l'algorithme sous-jacent et les valeurs des hyperparamètres. De plus, les clients peuvent choisir le nombre de tâches de formation simultanées ainsi que le total de tâches de formation. Tous ces choix affectent la durée potentielle d'une tâche d'ajustement d'hyperparamètre. 

Q : Puis-je optimiser simultanément plusieurs objectifs en un modèle pour gagner en rapidité et en précision ?

Pas à l'heure actuelle. Pour l'instant, vous devez spécifier une seule métrique d'objectif pour optimiser ou modifier votre code d'algorithme et émettre une nouvelle métrique, ce qui correspond à une moyenne pondérée entre deux métriques utiles ou plus. Après cela, vous pouvez lancer l'optimisation du processus d'ajustement pour cette métrique d'objectif.

Q : Combien coûte Automatic Model Tuning ?

Une tâche d'ajustement d'hyperparamètre ne coûte rien en soi. Vous serez facturé en fonction des tâches de formation lancées par la tâche d'ajustement d'hyperparamètre, selon la tarification de la formation de modèles.

Q : Combien coûte Automatic Model Tuning ?

Une tâche d'ajustement d'hyperparamètre ne coûte rien en soi. Vous serez facturé en fonction des tâches de formation lancées par la tâche d'ajustement d'hyperparamètre, selon la tarification de la formation de modèles.

Déploiement du modèle

Q : Puis-je accéder à l'infrastructure sur laquelle AWS SageMaker s'exécute ?

Non. AWS SageMaker gère l'infrastructure de calcul à votre place, lui permettant d'effectuer des vérifications de l'état de santé, d'appliquer des correctifs de sécurité et de réaliser d'autres opérations de maintenance quotidienne. Vous pouvez également déployer les artefacts de modèle de la formation avec un code d'inférence personnalisé dans votre propre environnement d'hébergement.

Q : Comment adapter la taille et les performances d'un modèle Amazon SageMaker après son déploiement en production ?

L'hébergement d'Amazon SageMaker s'adapte automatiquement aux performances nécessaires à votre application à l'aide d'Application Auto Scaling. En outre, vous pouvez modifier manuellement le nombre et le type d'instances, tout en évitant les temps d'arrêt en modifiant la configuration du point de terminaison.

Q : Comment surveiller mon environnement de production Amazon SageMaker ?

Amazon SageMaker émet des métriques de performance dans Amazon CloudWatch Metrics pour vous permettre de suivre les métriques, de définir des alarmes et de réagir automatiquement aux fluctuations du trafic de production. De plus, Amazon SageMaker écrit des journaux dans Amazon Cloudwatch Logs pour que vous puissiez surveiller et dépanner votre environnement de production.

Q : Quels types de modèles peuvent être hébergés avec Amazon SageMaker ?

Amazon SageMaker peut héberger tous les modèles conformes aux spécifications documentées pour les images d'inférence Docker. Cela inclut les modèles créés à partir des artefacts de modèles et du code d'inférence Amazon SageMaker.

Q : Combien de requêtes d'API en temps réel simultanées le service Amazon SageMaker prend-il en charge ?

Le service Amazon SageMaker est conçu pour s'adapter à un grand nombre de transactions par seconde. Le nombre précis varie en fonction du modèle déployé et du nombre et du type d'instances sur lesquelles le modèle est déployé.


Q : Qu'est-ce que Batch Transform ?

Batch Transform vous permet d'exécuter des prédictions sur des données de lots de grande ou de petite taille. Il n'est pas nécessaire de décomposer l'ensemble de données en plusieurs morceaux ou de gérer les points de terminaison en temps réel. Avec une API simple, vous pouvez demander des prédictions pour un grand nombre d'enregistrements de données et transformer ces données rapidement et facilement.

 

En savoir plus sur la tarification d'Amazon SageMaker

Visiter la page de tarification
Prêt à vous lancer ?
S'inscrire
D'autres questions ?
Contactez-nous