Amazon SageMaker est une plateforme d'apprentissage automatique basée sur le cloud qui permet aux développeurs de créer, d'entraîner et de déployer des modèles d'apprentissage automatique (ML) sur le cloud. Lancée en novembre 2017 lors de la conférence AWS re:Invent, elle fait partie de Amazon Web Services (AWS) et prend en charge l'ensemble du cycle de vie du ML, de l'étiquetage des données et de la construction de modèles à l'entraînement, au réglage et au déploiement. La plateforme peut également déployer des modèles de ML sur des systèmes embarqués et des dispositifs périphériques, étendant ainsi son utilité au-delà des environnements cloud traditionnels.
SageMaker permet aux développeurs de travailler à plusieurs niveaux d'abstraction. Au niveau le plus élevé, elle fournit des modèles de ML pré-entraînés qui peuvent être déployés tels quels, réduisant ainsi le besoin d'entraînement personnalisé. Elle propose également des algorithmes de ML intégrés que les développeurs peuvent entraîner sur leurs propres données, ainsi que des instances gérées de frameworks comme TensorFlow et Apache MXNet pour créer des algorithmes personnalisés à partir de zéro. Cette flexibilité la rend adaptée à un large éventail d'utilisateurs, des débutants aux scientifiques des données expérimentés.
Capacités
SageMaker s'intègre à d'autres services AWS pour fournir un flux de travail ML complet. Par exemple, les développeurs peuvent connecter leurs modèles à Amazon DynamoDB pour le stockage de données structurées, AWS Batch pour le traitement par lots hors ligne, ou Amazon Kinesis pour le traitement de données en temps réel. Cette intégration permet une ingestion, un traitement et un déploiement de modèles fluides au sein de l'écosystème AWS.
La plateforme prend également en charge diverses interfaces de développement. Une API web peut contrôler à distance les instances de serveur SageMaker, et Amazon fournit des liaisons API pour plusieurs langages de programmation, y compris Python, JavaScript, Ruby, Java et Go. Le SDK Python de SageMaker est accessible via le canal communautaire conda-forge d'Anaconda, et des instances gérées de Jupyter Notebook permettent une programmation interactive. En décembre 2025, de nouvelles fonctionnalités de personnalisation sans serveur ont été annoncées pour interfacer avec des modèles d'IA comme Amazon Nova, Llama, Qwen, DeepSeek et GPT-OSS, élargissant ses capacités pour les charges de travail de IA générative.
Historique et développement
SageMaker a été lancée le 2017-11-29 lors de la conférence AWS re:Invent. Peu après, le 2018-02-27, elle a ajouté le support pour l'entraînement et l'inférence de réseaux neuronaux profonds TensorFlow et MXNet gérés. Le jour suivant, elle a introduit la mise à l'échelle automatique de l'inférence de modèles sur plusieurs instances de serveur, améliorant les performances et la fiabilité.
Tout au long de 2018, SageMaker s'est considérablement développée. Le 2018-07-13, elle a ajouté le support pour l'entraînement de réseaux neuronaux récurrents, l'entraînement word2vec, l'entraînement de classifieurs linéaires multi-classes et l'entraînement distribué de réseaux neuronaux profonds dans Chainer avec une mise à l'échelle adaptative du taux d'apprentissage par couche(LARS). Le 2018-07-17, AWS Batch Transform a permis l'inférence de machine learning non temps réel à haut débit. Plus tard cette année-là, le 2018-11-08, elle a ajouté le support pour l'entraînement et l'inférence de plongements de mots Object2Vec.
Ground Truth et apprentissage par renforcement
Le 2018-11-27, SageMaker Ground Truth a été introduit, facilitant pour les développeurs l'étiquetage de leurs données à l'aide d'annotateurs humains via Mechanical Turk, de fournisseurs tiers ou de leurs propres employés. Cette fonctionnalité répond à un goulot d'étranglement critique dans le développement du ML : l'étiquetage des données. Le lendemain, SageMaker Reinforcement Learning(RL) a été annoncé, permettant aux développeurs et aux scientifiques des données de développer des modèles d'apprentissage par renforcement à grande échelle, ce qui est utile pour des applications comme la robotique et le jeu.
Déploiement périphérique et marketplace
Le 2018-11-28, SageMaker Neo a été introduit, permettant de déployer des modèles de réseaux neuronaux profonds de SageMaker vers des dispositifs périphériques tels que les smartphones et les caméras intelligentes. Cette capacité est essentielle pour les applications d'intelligence artificielle qui nécessitent une inférence à faible latence sans connectivité cloud constante. SageMaker Neo a ensuite été publié comme logiciel open-source le 2019-01-27, favorisant l'adoption et l'innovation communautaires.
Le 2018-11-29, le AWS Marketplace pour SageMaker a été lancé, permettant aux développeurs tiers d'acheter et de vendre des modèles de machine learning qui peuvent être entraînés et déployés dans SageMaker. Ce marketplace crée un écosystème où les développeurs peuvent partager et monétiser leurs modèles, accélérant l'adoption du ML dans toutes les industries.
Intégration avec l'écosystème AWS
SageMaker est profondément intégrée à l'écosystème AWS plus large, permettant aux développeurs de tirer parti d'autres services comme AWS Lambda pour le calcul sans serveur, S3 pour le stockage et IAM pour la sécurité. Cette intégration simplifie le déploiement de modèles de ML en production, car les développeurs peuvent utiliser des outils et des flux de travail AWS familiers. De plus, SageMaker prend en charge les frameworks de deep learning et peut être utilisée avec les puces AWS Trainium pour des performances d'entraînement optimisées, ce qui en fait un choix polyvalent pour les environnements de recherche et de production.
Dans l'ensemble, Amazon SageMaker est devenue une pierre angulaire des offres de machine learning d'AWS, fournissant une plateforme évolutive et flexible pour les développeurs du monde entier. Son évolution continue, y compris le support de nouveaux modèles et d'options sans serveur, garantit qu'elle reste pertinente dans le domaine en évolution rapide de l'IA.