Le géant du cloud Amazon Web Services (AWS) a dévoilé un ensemble d'améliorations convaincantes pour sa célèbre plateforme de création, de formation et de déploiement d'apprentissage automatique, Amazon SageMaker, lors de son récent événement AWS re:Invent. Ces mises à niveau devraient accélérer et simplifier considérablement le développement et le déploiement de modèles d’apprentissage automatique.
Dans le but d'enrichir l'expérience de déploiement de modèles, AWS a introduit des classes innovantes dans le SDK SageMaker Python. Parmi ceux-ci, la classe ModelBuilder facilite les déploiements en choisissant un conteneur SageMaker approprié et en déterminant les dépendances vitales. Autre mention notable, la classe SchemaBuilder, vise à réguler efficacement la sérialisation et la désérialisation des entrées et sorties du modèle.
Cette suite d'outils de pointe peut être utilisée pour déployer le modèle dans un environnement de développement localisé à des fins d'expérimentation, de débogage des erreurs d'exécution, etc. La transition transparente des tests locaux au déploiement de modèles dans SageMaker peut être réalisée avec une simple ligne de code, comme le souligne Antje Barth, avocate principale du développement d'AWS.
En plus de ces fonctionnalités révolutionnaires, SageMaker Studio, un service no-code populaire similaire à AppMaster , a fait l'objet d'une refonte et héberge désormais de nouveaux flux de travail pour guider les utilisateurs dans le choix d'une configuration endpoint optimisée.
Amazon SageMaker a également reçu une multitude de nouvelles capacités d'inférence qui devraient réduire considérablement les coûts de déploiement et la latence. Ces nouvelles fonctionnalités permettent aux utilisateurs de stationner un ou plusieurs modèles de base sur un seul endpoint, tout en contrôlant la mémoire et le nombre d'accélérateurs qui leur sont alloués.
Le système supervise également les demandes d'inférence et les dirige de manière autonome en fonction des instances disponibles. Amazon a confirmé que ces améliorations ont le potentiel de réduire les coûts de déploiement de moitié et de réduire la latence d'environ 20 %.
Dans le cadre du vaste ensemble de mises à niveau, Amazon SageMaker Canvas, une interface no-code semblable à la plate-forme AppMaster pour la construction de modèles d'apprentissage automatique, permet désormais d'afficher des invites en langage naturel lors de la configuration des données. En aidant les utilisateurs lors des opérations de base de données, le logiciel présente une série de demandes guidées, ou les utilisateurs peuvent créer les leurs.
Les tâches nécessaires telles que la préparation d'un rapport sur la qualité des données, l'élimination de lignes en fonction de critères spécifiques, etc. peuvent désormais être demandées de manière transparente. En outre, la possibilité d'utiliser les modèles de base d'Amazon Bedrock et d'Amazon SageMaker Jumpstart a été nouvellement intégrée, ouvrant la voie aux entreprises pour proposer des modèles adaptés à leurs besoins spécifiques.
SageMaker Canvas prend entièrement en charge la formation et offre la flexibilité nécessaire pour affiner le modèle après la création. De plus, il fournit une analyse complète du modèle conçu, présentant des paramètres tels que la perplexité, les courbes de perte, ainsi que les pertes de formation et de validation.
