AWS : SageMaker Studio, un IDE en mode web pour l’apprentissage machine
Amazon Web Services a annoncé mardi le lancement de SageMaker Studio, un environnement de développement intégré (IDE) dédié à l’apprentissage machine. SageMaker Studio est un EDI basé sur le Web qui permet de stocker et de rassembler tout ce dont vous avez besoin pour développer des applications qui font appel à l’apprentissage machine.
Le nouvel EDI fait partie de SageMaker, le service d’apprentissage machine de bout en bout d’Amazon. Lors de la conférence AWS re:Invent à Las Vegas, Andy Jassy, PDG d’AWS, a déclaré que SageMaker est “un grand pas en avant. Si vous voulez vraiment que l’apprentissage machine soit plus étendu, vous devez le rendre plus accessible.”
SageMaker Studio comprend plusieurs outils, notamment les ordinateurs SageMaker Notebooks, SageMaker Experiments, SageMaker Debugger, SageMaker Model Monitor et SageMaker Autopilot. Andy Jassy a esquissé une stratégie d’apprentissage machine qui vise à automatiser un grand nombre de problèmes actuels dans la construction de modèles.
publicité
SageMaker Studio dans le détail
Voici un aperçu de quelques-unes des pièces clés de SageMaker Studio :
SageMaker Notebooks
SageMaker Notebooks vous permet de faire tourner des notebooks en un seul clic à l’aide d’Elastic Compute a dit Andy Jassy, en appelant cela “une façon beaucoup plus facile de gérer les notebooks”. Il n’y a aucune instance à provisionner, et le contenu du notebooks est automatiquement copié et transféré vers de nouvelles instances.
SageMaker Experiments
SageMaker Experiments vous permet de capturer, d’organiser et de rechercher chaque étape de la construction, de la formation et de l’optimisation de vos modèles, automatiquement. Vous pouvez capturer tous les paramètres, configurations et résultats de votre modèle. Vous pouvez les parcourir en temps réel et vous pouvez rechercher des expériences plus anciennes.
SageMaker Debugger
SageMaker Debugger permet aux développeurs de déboguer et de profiler leurs modèles de formation pour améliorer la précision de leurs modèles d’apprentissage machine (machine learning). Il est activé par défaut et peut fournir des alertes et des conseils en temps réel pour optimiser les temps de formation et améliorer la qualité des modèles.
Avec une fonctionnalité appelée priorisation des fonctionnalités, Debugger met l’accent sur les dimensions ou les fonctionnalités ayant un impact sur le modèle. “Il s’avère que si vous avez un modèle de réseau neuronal sous-performant, vous voudrez peut-être savoir quelle dimension il ne prend pas en compte” a dit Andy Jassy.
SageMaker Model Monitor
SageMaker Model Monitor aide les clients à détecter automatiquement la dérive de concept dans les modèles déployés. Il crée des statistiques sur les données pendant la formation et compare les données utilisées pour faire des prédictions par rapport aux données de base. Il alerte les développeurs chaque fois qu’une dérive est détectée.
“Les gens disent : “Comment pouvez-vous m’aider alors que j’ai des modèles qui fonctionnent depuis un certain temps et que tout à coup, ça ne fonctionne plus très bien ?” Jassy a dit. Voici la réponse d’Amazon.
SageMaker AutoPilot
Enfin, avec SageMaker AutoPilot, le processus de création de modèles est entièrement automatisé. Il s’occupe de la sélection des algorithmes, du prétraitement des données et de l’optimisation des modèles, ainsi que de toute l’infrastructure. En utilisant un seul appel API ou quelques clics dans SageMaker Studio, SageMaker Autopilot inspecte d’abord votre ensemble de données et détermine la combinaison optimale des étapes de prétraitement des données, des algorithmes d’apprentissage machine et des hyperparamètres. Ensuite, il forme un pipeline d’inférence que vous pouvez facilement déployer soit en temps réel, soit pour le traitement par lots (batch).
Source : ZDNet.com
