Amazon SageMaker
AmazonSageMaker
Paramètres et statistiques de base
Amazon SageMaker est la plateforme d'apprentissage automatique entièrement gérée d'AWS qui couvre le cycle de vie complet du ML, de la préparation des données à l'inférence du modèle. Il ne s'agit pas d'un outil d'IA unique, mais d'un produit basé sur une plateforme pour les flux de travail ML au niveau de l'entreprise.
| Projets | Informations publiques |
|---|---|
| Positionnement officiel | Créer, entraîner et déployer des modèles d'apprentissage automatique à grande échelle |
| Formulaire de plateforme | Service cloud entièrement géré (Web + API + SDK) |
| Frameworks pris en charge | TensorFlow, PyTorch, JAX, Hugging Face, Scikit-learn, XGBoost, etc. |
| Composants de base | SageMaker Studio, Canvas, Data Wrangler, Pipelines, Model Monitor, Clarify |
| Options de déploiement | Inférence en temps réel Sans serveur, inférence asynchrone, traitement par lots |
| Modèle de facturation | Paiement à l'utilisation (calcul, stockage, inférence), pas de frais initiaux |
| Régions de disponibilité | Plus de 30 régions AWS dans le monde |
| Accueil | États-Unis (Seattle, Washington) |
Positionnement de la plateforme : SageMaker se positionne comme une « infrastructure ML d'entreprise » et ses utilisateurs cibles sont des organisations qui disposent déjà ou sont en train de créer des équipes ML. Ce n'est pas un outil d'IA sans code : l'utilisation de SageMaker nécessite une équipe dotée de capacités d'ingénierie ML ou via SageMaker Canvas comme point d'entrée low-code.
Indépendance du framework : SageMaker n'est pas lié à un framework ML spécifique et prend en charge les conteneurs Docker profondément optimisés pour la formation et l'inférence des frameworks grand public tels que TensorFlow et PyTorch. Cela signifie que les entreprises peuvent exécuter des flux de travail ML existants sur SageMaker sans avoir à refactoriser.
Reconnaissance des utilisateurs et du marché
Amazon SageMaker est l'un des standards de facto sur le marché des plates-formes ML d'entreprise.
Base de clients : AWS a révélé des centaines de milliers de clients actifs utilisant SageMaker lors de sa conférence re:Invent et de ses études de cas, notamment de grandes entreprises telles que Intuit, Thomson Reuters, Siemens, BMW et d'autres. Le nombre spécifique de clients est soumis aux dernières données officielles d'AWS.
Performances du marché : dans les rapports « Magic Quadrant for Cloud AI Developer Services » de Gartner et « ML Platform Wave » de Forrester, AWS figure depuis longtemps dans le Quadrant des leaders. SageMaker est leader du secteur en termes de part de marché et de part de revenus des plates-formes ML.
Communauté et écosystème : SageMaker propose une grande quantité de documentation officielle, des exemples de blocs-notes, des didacticiels d'atelier et des solutions partenaires AWS. Le système de formation pour les ingénieurs AWS certifiés ML est également construit autour de SageMaker.
Avantage de coût
La structure de coûts de SageMaker est un modèle de service cloud typique avec paiement à l'utilisation, facturé par les ressources de calcul, le stockage et les appels d'inférence.
Point de vue du côté C/développeur individuel :
- SageMaker Studio Lab : gratuit, offre 15 Go de stockage persistant et un GPU limité (~ 4 heures/lancement). Convient pour l'étude personnelle et l'expérimentation. Il n’y a pas de limite de temps, mais les ressources GPU seront prioritaires pour les utilisateurs payants.
- SageMaker Studio : facturées à l'utilisation, les instances de notebook sont facturées à la durée d'exécution (0,05 $ à 5 $+/heure, selon les spécifications de l'instance).
Point de vue API/développeur :
- Formation : facturée à l'heure de l'instance de formation (ml.t3.medium ~ 0,07 $/heure, ml.p4d.24xlarge ~ 32,77 $/heure).
- Inférence en temps réel : facturés selon les frais horaires de fonctionnement du point de terminaison + les frais d'inférence par Go de données traitées.
- Inférence sans serveur : facturé en fonction du volume et de la durée de la demande d'inférence, sans frais de réservation de base.
- Réglage automatique des paramètres : Facturé en fonction des ressources informatiques consommées par la tâche de paramétrage, et des frais de service de paramétrage seront facturés.
| Composants | Dimensions de facturation | Gamme de prix typique |
|---|---|---|
| Carnet d’atelier | Heures d'instance | 0,07 $ à 5 $+/heure |
| Tâches de formation | Heures d'instance | 0,05 $ à 32 $/heure |
| Point de terminaison d'inférence en temps réel | Heure d'instance | 0,03 $ à 20 $+/heure |
| Inférence sans serveur | Volume de la demande + Durée | ~0,18 $ à 2,00 $ par million de requêtes |
| Annotation des données (Ground Truth) | Nombre d'objets + frais d'annotation manuelle | 0,01 $ à 0,12 $/objet |
Perspective entreprise/privée : SageMaker prend en charge l'accès au réseau privé via AWS PrivateLink sans frais supplémentaires. Les grandes entreprises peuvent s'inscrire au programme de remise pour entreprises (EDP) pour bénéficier de réductions. SageMaker ne prend pas en charge le déploiement sur une infrastructure non AWS.
Coûts cachés :
- Les frais de stockage (S3 + EBS) pendant la formation peuvent s'accumuler et représenter des coûts importants avec de grands ensembles de données.
- Les tâches de formation qui ne parviennent pas à déboguer consommeront des ressources informatiques allouées. Il est recommandé de définir une limite supérieure de budget et un délai d'expiration de formation.
- Il y a des frais pour le fonctionnement continu de Model Monitor.
Fonctions principales
- SageMaker Studio : un environnement de développement intégré (IDE) unifié qui complète l'exploration des données, le développement de modèles et la formation dans le navigateur. Interface basée sur JupyterLab avec éditeur de code et outils de visualisation intégrés.
- SageMaker Canvas : une interface de modélisation ML sans code qui permet aux analystes commerciaux de former des modèles sans écrire de code. Prend en charge l'importation de données CSV, la sélection de fonctionnalités, la formation automatique de modèles et le déploiement en un clic.
- SageMaker Data Wrangler : outil visuel de préparation de données qui prend en charge l'importation, la transformation, l'ingénierie des fonctionnalités et l'inspection de la qualité des données. La logique de conversion génère automatiquement du code Python et est parfaitement intégrée au pipeline de formation.
- SageMaker Training & Hyperparameter Tuning : orchestration automatique de la formation distribuée et réglage automatique du modèle. Stratégie de formation distribuée intégrée (parallélisme des données, parallélisme des modèles) et ajustement automatique des paramètres (optimisation bayésienne, recherche aléatoire).
- SageMaker Pipelines : orchestration du workflow ML, couvrant le lien complet préparation des données → formation → évaluation → déploiement. La définition de pipeline basée sur DAG prend en charge le contrôle de version et la relecture.
- SageMaker Model Monitor & Clarify : services de surveillance et d'interprétabilité des modèles. Détectez automatiquement la dérive des données d'inférence et générez des rapports d'interprétabilité du modèle (valeurs SHAP) pour répondre aux exigences d'audit de conformité.
- SageMaker JumpStart : bibliothèque de modèles et de solutions pré-entraînés pour le déploiement direct de modèles de base (LLM, Stable Diffusion, etc.), de modèles de solution ML et d'exemples de notebooks.
Evolution du modèle et de la version
L'évolution des versions de SageMaker repose principalement sur plusieurs mises à jour de service chaque année, et il n'existe pas de système de numéro de version unifié.
2017 (version SageMaker)
- re:Invent 2017 lance SageMaker, fournissant des blocs-notes hébergés, une formation et un déploiement.
- Simplifiez le flux de travail ML et abaissez le seuil de l'apprentissage automatique.
2020-2021 (Studio + Automatisation)
- Sortie de SageMaker Studio pour unifier l'expérience IDE.
- Déploiement automatique ML de SageMaker Autopilot, capacités AutoML.
- SageMaker Pipelines GA.
2022-2023 (grands modèles + inférence à faible coût)
- SageMaker JumpStart prend en charge le déploiement LLM.
- Sortie de SageMaker Serverless Inference, inférence sans serveur.
- Extension de modélisation sans code SageMaker Canvas.
- Service d'annotation de données SageMaker Ground Truth Plus.
2024-2026 (HyperPod + optimisation en profondeur)
- SageMaker HyperPod est publié pour la formation distribuée à grande échelle (prenant en charge des centaines de milliards de formations de paramètres de modèle).
- Refactorisation unifiée de l'interface utilisateur de SageMaker Studio.
- Optimisation de l'inférence, prenant en charge la quantification LLM et l'optimisation des lots.
Avantages techniques
Mécanisme : le principal avantage technique de SageMaker réside dans une intégration approfondie avec l'infrastructure AWS et la facilité d'hébergement. Les clusters de formation sont automatiquement orchestrés (réseau, stockage, journaux, métriques), éliminant ainsi le besoin de gérer manuellement les clusters EC2. Les points de terminaison d'inférence disposent d'un équilibrage de charge automatique, d'une expansion et d'une contraction automatiques et d'une surveillance CloudWatch intégrée.
Effet :
- Efficacité de la formation : implémentez le parallélisme des modèles et le parallélisme des données via la bibliothèque de formation distribuée SageMaker (SMDDP) et entraînez des centaines de milliards de modèles de paramètres sur des clusters GPU. Par rapport aux clusters de formation auto-construits, la formation gérée réduit le temps de gestion du cluster de 60 à 80 %.
- Latence d'inférence : l'accélérateur d'inférence SageMaker (puce Inferentia) réduit la latence d'inférence LLM de 40 à 50 % et les coûts de 40 %. Prend en charge l'optimisation de la compilation de modèles et la gestion du cache KV.
- Contrôle des coûts : les budgets SageMaker et les stratégies de priorisation des tâches évitent les dépenses inattendues. L'arrêt automatique des tâches de formation et la formation sur les instances Spot réduisent les coûts de formation de 60 à 90 %.
Scénarios applicables : idéal pour les entreprises qui utilisent déjà AWS et disposent d'une équipe d'ingénierie ML**. Les avantages de l'hébergement de SageMaker sont particulièrement évidents dans les formations à grande échelle et dans un grand nombre de scénarios de points de terminaison d'inférence.
Limites techniques :
- La bibliothèque de formation distribuée (SMDDP) de SageMaker peut ne pas être aussi flexible que la stratégie distribuée du framework natif sur les architectures de modèles non standard.
- L'inférence sans serveur a une limite de taille de package de modèle de 6 Mo (y compris les dépendances) et ne convient pas aux grands modèles.
- La formation et l'inférence de SageMaker ne fournissent pas par défaut une reprise après sinistre interrégionale et vous devez créer vous-même une architecture multirégionale.
Comment utiliser
Les informations pertinentes n'ont pas été rendues publiques, veuillez vous référer à la page officielle en temps réel.
Prix des produits
La tarification de SageMaker est un modèle de cloud public payant à l'utilisation, sans frais initiaux.
| Composants | Modèle de facturation | Descriptif |
|---|---|---|
| Carnet d’atelier | Facturation basée sur les heures d'exécution de l'instance | La facturation s'arrêtera lorsque vous l'arrêterez, vous devrez l'arrêter manuellement |
| Tâches de formation | Par heure d'instance + débit de données | L'instance Spot permet d'économiser 60 à 90 % |
| Inférence en temps réel | Par heure d'instance de point de terminaison + frais de traitement par Go | Prise en charge de la mise à l'échelle automatique |
| Inférence sans serveur | Par volume et durée de demande | Pas de frais de réservation de base |
| Vérité terrain | Par nombre d'objets étiquetés + frais d'étiquetage manuel | Scénario d'étiquetage des données uniquement |
| Moniteur de modèle | Selon le nombre d'analyses du terminal de surveillance | Facturé selon le plan de surveillance et la période précise |
Pour connaître les tarifs détaillés, veuillez vous référer à la page de tarification d'AWS SageMaker : https://aws.amazon.com/sagemaker/pricing/
Scénarios d'application
- Infrastructure ML d'entreprise : les entreprises qui utilisent déjà AWS migrent les flux de travail ML des clusters EC2 autogérés vers SageMaker, une plateforme unifiée de développement, de formation et de déploiement de ML. Idéal pour les organisations qui disposent déjà d’ingénieurs ML et d’équipes DevOps.
- Formation Deep Learning à grande échelle : formez de grands modèles de langage, des systèmes de recommandation ou des modèles de vision par ordinateur à l'aide de SageMaker HyperPod et de bibliothèques de formation distribuées. Convient aux tâches de formation à grande échelle nécessitant plus de 8 GPU.
- AutoML et Business Analytics : SageMaker Canvas et Autopilot permettent aux analystes commerciaux de créer des modèles prédictifs (par exemple, prévisions de désabonnement, prévisions de ventes) directement sans compétences en codage. Idéal pour les entreprises de taille moyenne sans ingénieurs ML dédiés.
- Déploiement et servitisation LLM : déployez des modèles open source tels que Llama, Mistral et Stable Diffusion en un seul clic via SageMaker JumpStart. Convient aux équipes qui ont besoin de transformer rapidement de grands modèles open source en services.
Personnes concernées
- Ingénieurs ML et scientifiques de données (le mieux adapté) : SageMaker Studio offre une expérience complète IDE + formation + déploiement. Les ingénieurs ML qui connaissent l'écosystème AWS sont les plus efficaces.
- Ingénieurs DevOps/MLOps (bon pour) : SageMaker Pipelines s'intègre à CI/CD et CloudFormation/Terraform prend en charge la gestion de l'infrastructure en tant que code. Idéal pour les équipes qui ont besoin de standardiser leur processus de déploiement de ML.
- Business Analyst (adapté via Canvas) : SageMaker Canvas offre une expérience de modélisation par glisser-déposer pour générer des modèles prédictifs sans programmation. Convient aux équipes sans ingénieurs ML pour effectuer une exploration préliminaire des données.
- Petite équipe ou développeur individuel (évaluation requise) : le niveau gratuit de Studio Lab est suffisant pour l'apprentissage personnel et les petits projets, mais le coût de la formation à grande échelle et de l'inférence à long terme doit être contrôlé.
- Utilisateurs non-AWS (non applicable) : SageMaker est entièrement lié à l'infrastructure AWS et ne peut pas être utilisé sans AWS.
Résumé et Outlook
Amazon SageMaker est un produit au niveau de l'infrastructure de la plateforme ML au niveau de l'entreprise. Sa valeur fondamentale réside dans « l'infrastructure ML gérée » - automatisant des tâches fastidieuses telles que la gestion des clusters de formation, l'exploitation et la maintenance des points de terminaison d'inférence et la surveillance des modèles, permettant à l'équipe ML de se concentrer sur le développement du modèle.
Limites actuelles :
- Entièrement lié à l'écosystème AWS, le risque de dépendance vis-à-vis d'un fournisseur est élevé : la migration vers d'autres cloud ou des déploiements locaux nécessite de nombreuses refactorisations.
- La tarification est complexe et la facturation comporte de nombreuses dimensions. Une équipe inexpérimentée peut entraîner une perte de contrôle des coûts.
- L'inférence sans serveur et le pilote automatique de SageMaker ont toujours des limites de scénario et ne conviennent pas à tous les scénarios commerciaux.
- Les performances de la modélisation sans code (Canvas/Autopilot) sont généralement inférieures à celles des modèles professionnels réglés manuellement.
Évaluation des risques d'approvisionnement/d'adoption : SageMaker est le choix préféré pour la sélection de plates-formes ML pour les entreprises fonctionnant déjà sur AWS. Il est recommandé d'utiliser Studio Lab ou une version personnelle pour une vérification pilote avant de migrer vers l'environnement de production. Les conditions qui doivent être vérifiées avant l'achat incluent : l'engagement d'instance réservée (si le verrouillage d'un type d'instance spécifique est requis), les frais d'exportation de données (transfert de données entre régions) et la couverture SLA (compensation pour interruption des tâches de formation). Pour les entreprises envisageant une stratégie multi-cloud, il est recommandé d'évaluer la portabilité des modèles de SageMaker : les modèles formés peuvent être exportés vers leurs propres environnements d'exécution, mais les fonctionnalités telles que les pipelines et les moniteurs qui s'appuient sur les services propriétaires AWS ne peuvent pas être migrées.
Outils associés : hugging-face, replicate
Comment utiliser Amazon SageMaker
L'entrée de SageMaker est la page du service SageMaker dans AWS Management Console, ou l'accès par programmation via AWS SDK/CLI.
SageMaker Studio (portail IDE) : Connectez-vous à la console AWS → Recherchez SageMaker → SageMaker Studio → Lancez l'application Studio → Créer/ouvrir un bloc-notes. Studio charge explicitement les informations d'identification AWS sans configuration supplémentaire.
SageMaker Canvas (entrée low-code) : console AWS → SageMaker → Canvas → Importer des données → Configurer les colonnes cibles → Entraînement automatique → Obtenir des prédictions.
Exemple de code API/SDK :
importer un sagemaker
depuis sagemaker.pytorch importer PyTorch
# Définir les tâches de formation
estimateur = PyTorch(
Entry_point='train.py',
rép_source='./src',
rôle='<IAM_ROLE>',
instance_count=4,
instance_type='ml.p4d.24xlarge',
hyperparamètres={
'époques' : 10,
'taille du lot' : 64,
« taux d'apprentissage » : 0,001
},
framework_version='2.0.1',
py_version='py310'
)
estimator.fit({'training': 's3://<BUCKET>/data'})
# Déployer le point de terminaison d'inférence
prédicteur = estimateur.deploy(
initial_instance_count=2,
instance_type='ml.g5.2xlarge'
)Démarrage de la tâche de formation : Créer ou importer un bloc-notes dans Studio → Définir l'estimateur SageMaker → Appeler .fit() → SageMaker orchestre automatiquement le cluster de formation → Les journaux et les métriques peuvent être consultés en temps réel dans Studio.
Déploiement de modèle : enregistrez le modèle dans Model Registry via la console SageMaker ou le SDK → Créer une configuration de point de terminaison → Déployer un point de terminaison → Définir la stratégie d'expansion et de contraction automatique.
Informations de version
- Mises à jour de SageMaker 2026 Q2 ：SageMaker HyperPod met à niveau SageMaker Studio avec une expérience améliorée et une prise en charge de nouveaux modèles. Il n’y a pas encore de date officielle précise.
- Fonctionnalités de réinvention de SageMaker 2025 ：SageMaker Studio reconstruit complètement SageMaker Canvas et améliore SageMaker Pipelines GA. Il n’y a pas encore de date officielle précise.
- Mises à jour majeures de SageMaker 2023 ：L’offre gratuite de SageMaker Studio Lab lance SageMaker Serverless Inference GA et SageMaker Ground Truth Plus. Il n’y a pas encore de date officielle précise.
Avis des utilisateurs