Amazon SageMaker AI 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) dans le cloud. Lancée en novembre 2017 lors de la conférence AWS re:Invent, elle prend en charge le déploiement de modèles ML sur des systèmes embarqués et des dispositifs périphériques. La plateforme fait partie de Amazon Web Services (AWS) et s'intègre à d'autres services AWS pour le stockage de données, le traitement par lots et les flux de données en temps réel.
SageMaker offre plusieurs niveaux d'abstraction aux développeurs, allant de modèles pré-entraînés à des algorithmes entièrement personnalisés. Il inclut des algorithmes ML intégrés, des instances gérées de TensorFlow et d'Apache MXNet, ainsi que des interfaces pour divers langages de programmation. La plateforme a évolué avec des fonctionnalités telles que la mise à l'échelle automatique, l'apprentissage par renforcement et les capacités de déploiement en périphérie.
Capacités
SageMaker permet aux développeurs de travailler à différents niveaux d'abstraction lors de l'entraînement et du déploiement de modèles d'apprentissage automatique. À son niveau le plus élevé, il fournit des modèles ML pré-entraînés qui peuvent être déployés tels quels. Il propose également un certain nombre d'algorithmes ML intégrés que les développeurs peuvent entraîner sur leurs propres données, couvrant des tâches courantes comme la classification, la régression et le regroupement.
La plateforme comprend des instances gérées de TensorFlow et d'Apache MXNet, où les développeurs peuvent créer leurs propres algorithmes ML à partir de zéro. Cette flexibilité prend en charge à la fois les flux de travail d'apprentissage automatique et d'apprentissage profond. Les développeurs peuvent connecter les modèles ML compatibles SageMaker à d'autres services AWS, tels qu'Amazon DynamoDB pour le stockage de données structurées, AWS Batch pour le traitement par lots hors ligne, ou Amazon Kinesis pour le traitement en temps réel.
Interfaces de développement
Diverses interfaces sont disponibles pour permettre aux développeurs d'interagir avec SageMaker. Une API web peut contrôler à distance une instance de serveur SageMaker, et bien que l'API soit indépendante du langage de programmation utilisé par le développeur, Amazon fournit des liaisons d'API SageMaker pour plusieurs langages, notamment Python, JavaScript, Ruby, Java et Go. Le SDK Python de SageMaker est accessible via le canal conda-forge dirigé par la communauté d'Anaconda.
SageMaker fournit également des instances gérées de Jupyter Notebook pour programmer interactivement SageMaker et d'autres applications. En décembre 2025, une nouvelle personnalisation sans serveur dans SageMaker AI a été annoncée pour interagir avec des modèles d'IA comme Amazon Nova, Llama, Qwen, DeepSeek et GPT-OSS, élargissant son support pour les charges de travail d'IA générative.
Historique et fonctionnalités
SageMaker a été lancé le 29 novembre 2017 lors de la conférence AWS re:Invent. Les premiers développements se sont concentrés sur l'expansion des capacités d'entraînement et d'inférence :
- 27 février 2018 : L'entraînement et l'inférence de réseaux neuronaux profonds gérés TensorFlow et MXNet ont été pris en charge dans SageMaker.
- 28 février 2018 : SageMaker met automatiquement à l'échelle l'inférence de modèles sur plusieurs instances de serveur.
- 13 juillet 2018 : Ajout du 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 Layer-wise Adaptive Rate Scaling (LARS).
- 17 juillet 2018 : AWS Batch Transform a permis l'inférence d'apprentissage automatique non temps réel à haut débit dans SageMaker.
- 8 novembre 2018 : Introduction du support pour l'entraînement et l'inférence des embeddings de mots Object2Vec.
- 27 novembre 2018 : Lancement de SageMaker Ground Truth, facilitant l'étiquetage des données par des annotateurs humains via Mechanical Turk, des fournisseurs tiers ou les propres employés des développeurs.
- 28 novembre 2018 : SageMaker Reinforcement Learning (RL) a permis aux développeurs et aux scientifiques des données de développer des modèles d'apprentissage par renforcement à grande échelle.
- 28 novembre 2018 : SageMaker Neo a permis de déployer des modèles de réseaux neuronaux profonds de SageMaker vers des dispositifs périphériques tels que les smartphones et les caméras intelligentes.
- 29 novembre 2018 : Lancement de l'AWS Marketplace pour SageMaker, permettant aux développeurs tiers d'acheter et de vendre des modèles d'apprentissage automatique pouvant être entraînés et déployés dans SageMaker.
- 27 janvier 2019 : SageMaker Neo a été publié en tant que logiciel open-source.
Intégration et écosystème
SageMaker s'intègre à l'écosystème AWS plus large, permettant aux développeurs de construire des pipelines ML de bout en bout. Il prend en charge la d'augmentation de données et d'autres techniques de prétraitement, et son infrastructure gérée réduit la charge opérationnelle liée à l'entraînement et au déploiement de modèles. Le support de la plateforme pour le déploiement en périphérie via SageMaker Neo répond à des scénarios où une faible latence ou un fonctionnement hors ligne est requis, comme dans les systèmes automobiles ou les véhicules autonomes.
L'évolution de SageMaker reflète les tendances plus larges de l'intelligence artificielle, y compris le passage aux modèles de langage de grande taille et à l'informatique sans serveur. L'annonce de décembre 2025 sur la personnalisation sans serveur pour des modèles comme Llama et DeepSeek indique une évolution vers des options de déploiement plus flexibles et plus rentables pour les applications d'IA générative.