Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Choisir un AWS service d'apprentissage automatique
Choisissez les services et les frameworks de machine learning adaptés à votre travail
| Objectif |
Aidez à déterminer quels AWS services de machine learning sont les mieux adaptés à vos besoins. |
| Dernière mise à jour |
3 mai 2024 |
| Services couverts |
|
Introduction
Dans sa forme la plus élémentaire, l'apprentissage automatique (ML) est conçu pour fournir des outils et des services numériques permettant d'apprendre à partir des données, d'identifier des modèles, de faire des prédictions, puis de donner suite à ces prédictions. Presque tous les systèmes d'intelligence artificielle (IA) actuels sont créés à l'aide du ML. Le machine learning utilise de grandes quantités de données pour créer et valider une logique de décision. Cette logique de décision constitue la base du modèle d'IA.
Les scénarios dans lesquels les services d'apprentissage AWS automatique peuvent être appliqués incluent :
-
Cas d'utilisation spécifiques : les services d'apprentissage AWS automatique peuvent prendre en charge vos cas d'utilisation basés sur l'IA grâce à une large gamme d'algorithmes, de modèles et de solutions prédéfinis pour les cas d'utilisation et les secteurs d'activité courants. Vous avez le choix entre 23 services préformés, dont Amazon Personalize, Amazon Kendra et Amazon Monitron.
-
Personnalisation et mise à l'échelle de l'apprentissage automatique : Amazon SageMaker AI est conçu pour vous aider à créer, former et déployer des modèles de machine learning pour tous les cas d'utilisation. Vous pouvez créer les vôtres ou accéder à des modèles fondamentaux open source AWS via Amazon SageMaker AI et Amazon Bedrock.
-
Accès à une infrastructure spécialisée : utilisez les frameworks et l'infrastructure de machine learning fournis AWS lorsque vous avez besoin d'une flexibilité et d'un contrôle encore plus importants sur vos flux de travail d'apprentissage automatique, et que vous souhaitez gérer vous-même l'infrastructure et les ressources sous-jacentes.
Ce guide de décision vous aidera à poser les bonnes questions, à évaluer vos critères et votre problème commercial, et à déterminer les services les mieux adaptés à vos besoins.
Comprenez
Alors que les organisations continuent d'adopter les technologies d'IA et de ML, l'importance de comprendre et de choisir parmi les services de AWS ML constitue un défi permanent.
AWS fournit une gamme de services de machine learning conçus pour aider les organisations à créer, former et déployer des modèles de machine learning plus rapidement et plus facilement. Ces services peuvent être utilisés pour résoudre un large éventail de problèmes commerciaux tels que la prévision du taux de désabonnement des clients, la détection des fraudes et la reconnaissance d'images et de la parole.
Avant d'approfondir les AWS services de machine learning, examinons la relation entre l'IA et le ML.
-
À un niveau élevé, l'intelligence artificielle est un moyen de décrire tout système capable de reproduire des tâches qui nécessitaient auparavant l'intelligence humaine. La plupart des cas d'utilisation de l'IA recherchent un résultat probabiliste, c'est-à-dire une prédiction ou une décision avec un degré de certitude élevé, similaire au jugement humain.
-
Presque tous les systèmes d'IA actuels sont créés à l'aide de l'apprentissage automatique. Le machine learning utilise de grandes quantités de données pour créer et valider une logique de décision, connue sous le nom de modèle.
-
L'IA de classification est un sous-ensemble du ML qui reconnaît des modèles pour identifier quelque chose. L'IA prédictive est un sous-ensemble du ML qui prédit les tendances futures sur la base de modèles statistiques et de données historiques.
-
Enfin, l'IA générative est un sous-ensemble de l'apprentissage profond qui permet de créer de nouveaux contenus et de nouvelles idées, tels que des conversations, des histoires, des images, des vidéos et de la musique. L'IA générative est alimentée par de très grands modèles préentraînés sur de vastes corpus de données, appelés modèles de base ou FM. Amazon Bedrock est un service entièrement géré qui propose un choix de machines virtuelles hautes performances pour créer et faire évoluer des applications d'IA génératives. Amazon Q Developer et Amazon Q Business sont des assistants basés sur l'IA générative destinés à des cas d'utilisation spécifiques.
Ce guide est principalement conçu pour couvrir les services des catégories IA de classification et apprentissage automatique par IA prédictive.
En outre, AWS propose du matériel spécialisé et accéléré pour la formation et l'inférence en machine learning de haute performance.
-
Les instances Amazon EC2 P5 sont équipées de GPU NVIDIA H100 Tensor Core, parfaitement adaptés aux tâches de formation et d'inférence dans le domaine de l'apprentissage automatique. Les instances Amazon EC2 G5 intègrent jusqu'à 8 GPU NVIDIA A10G Tensor Core et des processeurs AMD EPYC de deuxième génération, pour un large éventail de cas d'utilisation gourmands en ressources graphiques et en apprentissage automatique.
-
AWS Trainiumest l'accélérateur de machine learning de deuxième génération spécialement AWS conçu pour l'apprentissage en profondeur (DL) de plus de 100 milliards de modèles de paramètres.
-
AWS InferentiaLes instances Amazon EC2 Inf2 basées sur 2 sont conçues pour fournir des performances élevées au moindre coût dans Amazon EC2 pour vos applications de DL et d'inférence d'IA générative.
Tenez compte
Lors de la résolution d'un problème commercial avec les services de machine AWS learning, la prise en compte de plusieurs critères clés peut contribuer à garantir le succès. La section suivante décrit certains des critères clés à prendre en compte lors du choix d'un service de machine learning.
- Problem definition
-
Définition du problème
La première étape du cycle de vie du machine learning consiste à définir le problème commercial. Il est essentiel de comprendre le problème que vous essayez de résoudre pour choisir le bon service de AWS ML, car différents services sont conçus pour résoudre différents problèmes. Il est également important de déterminer si le ML est la solution la mieux adaptée à votre problème commercial.
Une fois que vous avez déterminé que le ML est la solution la mieux adaptée, vous pouvez commencer par choisir parmi une gamme de services d' AWS IA spécialement conçus (dans des domaines tels que la parole, la vision et les documents).
Amazon SageMaker AI fournit une infrastructure entièrement gérée si vous devez créer et entraîner vos propres modèles. AWS propose une gamme de frameworks de machine learning avancés et de choix d'infrastructures pour les cas où vous avez besoin de modèles de machine learning hautement personnalisés et spécialisés. AWS propose également un large éventail de modèles de base populaires pour créer de nouvelles applications avec l'IA générative.
- ML algorithm
-
Algorithme ML
Le choix de l'algorithme de machine learning pour le problème commercial que vous essayez de résoudre dépend du type de données avec lequel vous travaillez, ainsi que des résultats souhaités. Les informations suivantes décrivent comment chacune des principales catégories de AWS AI/ML services vous permet de travailler avec ses algorithmes :
-
Services d'IA spécialisés : ces services offrent une capacité limitée de personnalisation de l'algorithme de machine learning, car il s'agit de modèles pré-entraînés optimisés pour des tâches spécifiques. Vous pouvez généralement personnaliser les données d'entrée et certains paramètres, mais vous n'avez pas accès aux modèles ML sous-jacents ni la possibilité de créer vos propres modèles.
-
Amazon SageMaker AI : ce service offre le plus de flexibilité et de contrôle sur l'algorithme ML. Vous pouvez utiliser l' SageMaker IA pour créer des modèles personnalisés à l'aide de vos propres algorithmes et frameworks, ou utiliser des modèles et algorithmes prédéfinis fournis par AWS. Cela permet un degré élevé de personnalisation et de contrôle du processus de machine learning.
-
Lower-level Frameworks et infrastructure de machine learning : ces services offrent le plus de flexibilité et de contrôle sur l'algorithme de machine learning. Vous pouvez utiliser ces services pour créer des modèles de machine learning hautement personnalisés à l'aide de leurs propres algorithmes et frameworks. Cependant, l'utilisation de ces services nécessite une expertise significative en matière de machine learning et peut ne pas être réalisable dans tous les cas d'utilisation.
- Security
-
Sécurité
Si vous avez besoin d'un point de terminaison privé dans votre VPC, vos options varient en fonction de la couche de services AWS ML que vous utilisez. Il s’agit des licences suivantes :
-
Services d'IA spécialisés : la plupart des services d'IA spécialisés ne prennent actuellement pas en charge les terminaux privés dans les VPC. Cependant, les étiquettes personnalisées Amazon Rekognition et Amazon Comprehend Custom sont accessibles via des points de terminaison VPC.
-
Principaux services d'IA : Amazon Translate, Amazon Transcribe et Amazon Comprehend prennent tous en charge les points de terminaison VPC.
-
Amazon SageMaker AI : SageMaker AI fournit un support intégré pour les points de terminaison VPC, vous permettant de déployer leurs modèles entraînés en tant que point de terminaison accessible uniquement depuis leur VPC.
-
Lower-level Frameworks et infrastructure de machine learning : vous pouvez déployer vos modèles sur des instances Amazon EC2 ou dans des conteneurs au sein de votre VPC, ce qui vous permet de contrôler totalement la configuration réseau.
- Latency
-
Latence
Higher-level Les services d'IA, tels qu'Amazon Rekognition et Amazon Transcribe, sont conçus pour gérer une grande variété de cas d'utilisation et offrir des performances élevées en termes de rapidité. Cependant, ils peuvent ne pas répondre à certaines exigences de latence.
Si vous utilisez des infrastructures et des infrastructures de machine learning de niveau inférieur, nous vous recommandons de tirer parti d'Amazon SageMaker AI. Cette option est généralement plus rapide que la création de modèles personnalisés en raison de son service entièrement géré et de ses options de déploiement optimisées. Bien qu'un modèle personnalisé hautement optimisé puisse surpasser l' SageMaker IA, sa création nécessitera une expertise et des ressources importantes.
- Accuracy
-
Exactitude
La précision des services de machine AWS learning varie en fonction du cas d'utilisation spécifique et du niveau de personnalisation requis. Higher-level Les services d'IA, tels qu'Amazon Rekognition, reposent sur des modèles pré-entraînés qui ont été optimisés pour des tâches spécifiques et offrent une grande précision dans de nombreux cas d'utilisation.
Dans certains cas, vous pouvez choisir d'utiliser Amazon SageMaker AI, qui fournit une plateforme plus flexible et personnalisable pour créer et entraîner des modèles de machine learning personnalisés. En créant vos propres modèles, vous pourrez peut-être atteindre une précision encore plus élevée que ce qui est possible avec des modèles pré-entraînés.
Vous pouvez également choisir d'utiliser des infrastructures et des infrastructures de machine learning, comme TensorFlow Apache MXNet, pour créer des modèles hautement personnalisés offrant la plus grande précision possible pour votre cas d'utilisation spécifique.
- AWS and responsible AI
-
AWS et une IA responsable
AWS construit des modèles de base (FM) en gardant à l'esprit une IA responsable à chaque étape de son processus de développement. Tout au long de la conception, du développement, du déploiement et des opérations, nous prenons en compte une série de facteurs, notamment :
-
Exactitude (dans quelle mesure un résumé correspond au document sous-jacent ; si une biographie est exacte sur le plan factuel)
-
Équité (si les produits traitent les groupes démographiques de la même manière)
-
Considérations relatives à la propriété intellectuelle et au copyright
-
Utilisation appropriée (filtrage des demandes des utilisateurs concernant des conseils juridiques, des diagnostics médicaux ou des activités illégales)
-
Toxicité (discours de haine, blasphèmes et insultes)
-
Confidentialité (protection des informations personnelles et des demandes des clients)
AWS intègre des solutions pour résoudre ces problèmes dans les processus utilisés pour l'acquisition des données de formation, dans les FM eux-mêmes et dans la technologie utilisée pour prétraiter les demandes des utilisateurs et les résultats post-traitement.
Choix
Maintenant que vous connaissez les critères selon lesquels vous allez évaluer vos options de service de machine learning, vous êtes prêt à choisir le service de machine AWS learning qui convient le mieux à vos besoins organisationnels. Le tableau suivant met en évidence quels services de machine learning sont optimisés pour quelles circonstances. Utilisez-le pour vous aider à déterminer le service AWS ML le mieux adapté à votre cas d'utilisation.
| Catégories |
Quand l'utiliseriez-vous ? |
Pour quoi est-il optimisé ? |
AI/ML Services ou environnements associés |
|
Cas d'utilisation spécifiques
Ces services d'intelligence artificielle sont destinés à répondre à des besoins spécifiques. Ils incluent la personnalisation, les prévisions, la détection d'anomalies, la transcription vocale, etc. Comme ils sont fournis sous forme de services, ils peuvent être intégrés dans des applications sans nécessiter aucune expertise en matière de machine learning.
|
Utilisez les services d'IA fournis par AWS lorsque vous avez besoin de fonctionnalités spécifiques et prédéfinies à intégrer à vos applications, sans avoir besoin de personnalisations étendues ou d'expertise en apprentissage automatique. Ces services sont conçus pour être faciles à utiliser et ne nécessitent pas beaucoup de codage ou de configuration. |
Ces services sont conçus pour être faciles à utiliser et ne nécessitent pas beaucoup d'expertise en matière de codage, de configuration ou de machine learning. |
IA augmentée d’Amazon
Amazon CodeGuru
Amazon Comprehend
Amazon Comprehend Medical
Le DevOps gourou d'Amazon
Amazon Forecast
Amazon Kendra
Amazon Lex
Amazon Personalize
Amazon Polly
Amazon Rekognition
Amazon Textract
Amazon Transcribe
Amazon Translate
|
|
Services de machine learning
Ces services peuvent être utilisés pour développer des modèles ou des flux de travail d'apprentissage automatique personnalisés qui vont au-delà des fonctionnalités prédéfinies proposées par les principaux services d'IA.
|
Utilisez ces services lorsque vous avez besoin de modèles d'apprentissage automatique ou de flux de travail plus personnalisés qui vont au-delà des fonctionnalités prédéfinies proposées par les principaux services d'IA. |
Ces services sont optimisés pour la création et la formation de modèles d'apprentissage automatique personnalisés, la formation à grande échelle sur plusieurs instances ou clusters de GPU, un meilleur contrôle sur le déploiement des modèles d'apprentissage automatique, l'inférence en temps réel et la création de flux de travail de bout en bout. |
Amazon SageMaker AI
Amazon SageMaker AI JumpStart
SageMaker Studio d'intelligence artificielle
SageMaker Toile AI
SageMaker Laboratoire AI Studio
SageMaker AI Ground Truth
PyTorch sur AWS
Apache MxNet
Hugging Face
TensorFlow sur AWS
|
|
Infrastructures
Pour déployer l'apprentissage automatique en production, vous avez besoin d'une infrastructure rentable, qu'Amazon rend possible grâce au silicium AWS intégré.
|
À utiliser lorsque vous souhaitez réduire le coût des modèles de formation et que vous devez exécuter des inférences dans le cloud. |
Optimisé pour soutenir le déploiement rentable de l'apprentissage automatique. |
AWS Trainium
AWS Inferentia et Inferentia2
Amazon SageMaker AI HyperPod
|
|
Outils et services associés
Ces outils et les services associés sont conçus pour faciliter le déploiement de l'apprentissage automatique.
|
Ces services et outils sont conçus pour vous aider à accélérer l'apprentissage en profondeur dans le cloud, en fournissant des images de machines Amazon, des images Docker et une résolution d'entité. |
Optimisé pour vous aider à accélérer le deep learning dans le cloud. |
AWS Apprentissage profond (deep learning) AMIs s
AWS Conteneurs de Deep Learning
AWS Résolution des entités
|
Utilisation
Maintenant que vous comprenez bien les critères à appliquer pour choisir un service de machine AWS learning, vous pouvez sélectionner le ou les AWS AI/ML services qui sont optimisés pour les besoins de votre entreprise.
Pour découvrir comment utiliser et en savoir plus sur le ou les services que vous avez choisis, nous avons proposé trois séries de parcours pour explorer le fonctionnement de chaque service. La première série de parcours fournit une documentation détaillée, des didacticiels pratiques et des ressources pour démarrer avec Amazon Comprehend, Amazon Textract, Amazon Translate, Amazon Lex, Amazon Polly, Amazon Rekognition et Amazon Transcribe.
- Amazon Comprehend
-
-
Commencez avec Amazon Comprehend
Utilisez la console Amazon Comprehend pour créer et exécuter une tâche de détection d'entités asynchrone.
Commencez avec le didacticiel »
-
Analysez les informations sous forme de texte avec Amazon Comprehend
Découvrez comment utiliser Amazon Comprehend pour analyser du texte et en tirer des informations.
Commencez avec le didacticiel »
-
Tarification Amazon Comprehend
Découvrez des informations sur la tarification d'Amazon Comprehend et des exemples.
Découvrez le guide »
- Amazon Textract
-
-
Démarrez avec Amazon Textract
Découvrez comment Amazon Textract peut être utilisé avec du texte mis en forme pour détecter des mots et des lignes de mots situés à proximité les uns des autres, ainsi que pour analyser un document à la recherche d'éléments tels que du texte associé, des tableaux, des paires clé-valeur et des éléments de sélection.
Découvrez le guide »
-
Extraire du texte et des données structurées avec Amazon Textract
Découvrez comment utiliser Amazon Textract pour extraire du texte et des données structurées d'un document.
Commencez avec le didacticiel »
-
AWS Power Hour : apprentissage automatique
Découvrez Amazon Textract dans cet épisode, passez du temps à le Console de gestion AWS lire et passez en revue des exemples de code qui vous aideront à comprendre comment tirer le meilleur parti des API de service.
Regardez la vidéo »
- Amazon Translate
-
-
Démarrez avec Amazon Translate à l'aide de la console
Le moyen le plus simple de commencer à utiliser Amazon Translate est d'utiliser la console pour traduire du texte. Apprenez à traduire jusqu'à 10 000 caractères à l'aide de la console.
Découvrez le guide »
-
Traduisez du texte entre les langues dans le cloud
Dans cet exemple de didacticiel, en tant que membre d'une entreprise internationale de fabrication de bagages, vous devez comprendre ce que les clients disent de votre produit dans les avis publiés dans la langue du marché local, à savoir le français.
Commencez avec le didacticiel »
-
Tarification d'Amazon Translate
Découvrez les tarifs d'Amazon Translate, y compris le niveau gratuit, qui fournit 2 millions de caractères par mois pendant 12 mois.
Découvrez le guide »
- Amazon Lex
-
-
Guide du développeur Amazon Lex V2
Découvrez des informations sur la mise en route, son fonctionnement et les informations sur les prix d'Amazon Lex V2.
Découvrez le guide »
-
Présentation d'Amazon Lex Nous vous présentons le service conversationnel Amazon Lex et vous présentons des exemples qui vous montrent comment créer un bot et le déployer sur différents services de chat.
Suivez le cours » (inscription requise)
-
Explorer l'IA générative dans les expériences conversationnelles
Explorez l'utilisation de l'IA générative dans les expériences de conversation.
Lisez le blog »
- Amazon Polly
-
-
Qu’est-ce qu’Amazon Polly ?
Découvrez un aperçu complet du service cloud qui convertit le texte en discours réaliste et peut être utilisé pour développer des applications visant à améliorer l'engagement et l'accessibilité de vos clients.
Découvrez le guide »
-
Surlignez le texte tel qu'il est prononcé à l'aide d'Amazon Polly
Nous vous présentons des approches permettant de surligner le texte au fur et à mesure qu'il est prononcé afin d'ajouter des fonctionnalités visuelles au son des livres, des sites Web, des blogs et d'autres expériences numériques.
Lisez le blog »
-
Créez du contenu audio pour du contenu en plusieurs langues avec le même personnage vocal TTS dans Amazon Polly
Nous expliquons Neural Text-to-Speech (NTTS) et expliquons comment un large éventail de voix disponibles, fournissant une gamme de locuteurs distincts dans les langues prises en charge, peut vous convenir.
Lisez le blog »
- Amazon Rekognition
-
-
Qu'est-ce qu'Amazon Rekognition ?
Découvrez comment utiliser ce service pour ajouter l'analyse d'images et de vidéos à vos applications.
Découvrez le guide »
-
Hands-on Rekognition : analyse automatique des images et des vidéos
Découvrez comment fonctionne la reconnaissance faciale avec le streaming vidéo, ainsi que des exemples de code et des points clés à un rythme autoguidé.
Commencez avec le didacticiel »
-
FAQ sur Amazon Rekognition
Découvrez les principes de base d'Amazon Rekognition et découvrez comment il peut vous aider à améliorer votre apprentissage profond et à analyser visuellement vos applications.
Lisez les FAQ »
- Amazon Transcribe
-
-
Qu'est-ce qu'Amazon Transcribe ?
Explorez le service de reconnaissance vocale AWS automatique qui utilise le ML pour convertir l'audio en texte. Apprenez à utiliser ce service en tant que transcription autonome ou à ajouter une fonctionnalité de synthèse vocale à n'importe quelle application.
Découvrez le guide »
-
Tarification d'Amazon Transcribe
Nous vous présentons la transcription AWS payante à l'utilisation, y compris les options de modèle de langue personnalisées et le niveau gratuit d'Amazon Transcribe.
Découvrez le guide »
-
Création d'une transcription audio avec Amazon Transcribe
Apprenez à utiliser Amazon Transcribe pour créer une transcription textuelle de fichiers audio enregistrés à l'aide d'un scénario d'utilisation réel destiné à répondre à vos besoins.
Commencez avec le didacticiel »
-
Créez une application de streaming Amazon Transcribe
Apprenez à créer une application permettant d'enregistrer, de transcrire et de traduire des sons en direct en temps réel, les résultats vous étant envoyés directement par e-mail.
Découvrez le guide »
La deuxième série de AI/ML Service AWS parcours fournit une documentation approfondie, des didacticiels pratiques et des ressources pour démarrer avec les services de la famille Amazon SageMaker AI.
- SageMaker AI
-
-
Comment fonctionne Amazon SageMaker AI
Découvrez la présentation de l'apprentissage automatique et du fonctionnement de SageMaker l'IA.
Découvrez le guide »
-
Démarrez avec Amazon SageMaker AI
Découvrez comment rejoindre un domaine Amazon SageMaker AI et accéder à Amazon SageMaker AI Studio et à RStudio on SageMaker AI.
Découvrez le guide »
-
Utiliser Apache Spark avec Amazon SageMaker AI
Apprenez à utiliser Apache Spark pour le prétraitement des données et l' SageMaker IA pour la formation et l'hébergement de modèles.
Découvrez le guide »
-
Utiliser des conteneurs Docker pour créer des modèles
Découvrez comment Amazon SageMaker AI utilise largement les conteneurs Docker pour les tâches de création et d'exécution. Découvrez comment déployer les images Docker prédéfinies pour ses algorithmes intégrés et les frameworks d'apprentissage profond pris en charge utilisés pour la formation et l'inférence.
Découvrez le guide »
-
Cadres et langages d'apprentissage automatique
Découvrez comment démarrer avec l' SageMaker IA à l'aide du SDK Amazon SageMaker AI Python.
Découvrez le guide »
- SageMaker AI Autopilot
-
-
Créez une expérience Amazon SageMaker AI Autopilot pour les données tabulaires
Apprenez à créer une expérience Amazon SageMaker AI Autopilot pour explorer, prétraiter et entraîner différents modèles candidats sur un ensemble de données tabulaires.
Découvrez le guide »
-
Créez automatiquement des modèles d'apprentissage automatique
Apprenez à utiliser Amazon SageMaker AI Autopilot pour créer, entraîner et ajuster automatiquement un modèle de machine learning, et à déployer le modèle pour établir des prévisions.
Commencez avec le didacticiel »
-
Explorez la modélisation avec Amazon SageMaker AI Autopilot grâce à ces exemples de blocs-notes
Découvrez des exemples de blocs-notes pour le marketing direct, la prévision du taux de désabonnement des clients et la manière d'intégrer votre propre code de traitement des données à Amazon SageMaker AI Autopilot.
Découvrez le guide »
- SageMaker AI Canvas
-
-
Commencez à utiliser Amazon SageMaker AI Canvas
Découvrez comment commencer à utiliser SageMaker AI Canvas.
Découvrez le guide »
-
Générez des prédictions d'apprentissage automatique sans écrire de code
Ce didacticiel explique comment utiliser Amazon SageMaker AI Canvas pour créer des modèles de machine learning et générer des prédictions précises sans écrire une seule ligne de code.
Commencez avec le didacticiel »
-
Approfondissez SageMaker AI Canvas
Découvrez en détail SageMaker AI Canvas et ses fonctionnalités de machine learning visuelle, sans code.
Lisez le blog »
-
Utilisez Amazon SageMaker AI Canvas pour créer votre premier modèle de machine learning
Apprenez à utiliser Amazon SageMaker AI Canvas pour créer un modèle de machine learning afin d'évaluer la fidélisation des clients, sur la base d'une campagne par e-mail pour de nouveaux produits et services.
Commencez avec le laboratoire »
- SageMaker AI Data Wrangler
-
-
Démarrez avec Amazon SageMaker AI Data Wrangler
Découvrez comment configurer SageMaker AI Data Wrangler, puis procédez à une procédure pas à pas à l'aide d'un exemple de jeu de données existant.
Découvrez le guide »
-
Préparez les données de formation pour l'apprentissage automatique avec un minimum de code
Apprenez à préparer des données pour le machine learning à l'aide d'Amazon SageMaker AI Data Wrangler.
Commencez avec le didacticiel »
-
SageMaker Atelier approfondi sur AI Data Wrangler
Apprenez à appliquer les types d'analyse appropriés à votre ensemble de données pour détecter les anomalies et les problèmes, à utiliser les données dérivées results/insights pour formuler des actions correctives au cours des transformations de votre ensemble de données et à tester le bon choix et la bonne séquence de transformations à l'aide des options de modélisation rapide fournies par SageMaker AI Data Wrangler.
Commencez avec l'atelier »
- SageMaker AI Ground Truth
-
-
Démarrez avec Amazon Ground Truth
Découvrez comment utiliser la console pour créer une tâche d'étiquetage, affecter une main-d'œuvre publique ou privée et envoyer la tâche d'étiquetage à votre personnel. Découvrez comment suivre la progression d'un travail d'étiquetage.
Découvrez le guide »
-
Données de formation sur les étiquettes pour l'apprentissage automatique
Apprenez à configurer une tâche d'étiquetage dans Amazon SageMaker AI Ground Truth afin d'annoter les données d'entraînement pour votre modèle de machine learning.
Commencez avec le didacticiel »
-
Démarrez avec Amazon Ground Truth Plus Découvrez comment effectuer les étapes nécessaires pour démarrer un projet Amazon SageMaker AI Ground Truth Plus, réviser les étiquettes et satisfaire aux prérequis d' SageMaker AI Ground Truth Plus.
Découvrez le guide »
-
Démarrez avec Amazon Ground Truth Découvrez comment étiqueter vos données en quelques minutes grâce à la console SageMaker AI Ground Truth.
Regardez la vidéo »
-
Amazon SageMaker AI Ground Truth Plus : créez des ensembles de données de formation sans code ni ressources internes
Découvrez Ground Truth Plus, un service clé en main qui fait appel à une main-d'œuvre experte pour fournir rapidement des ensembles de données de formation de haute qualité et réduire les coûts jusqu'à 40 %.
Lisez le blog »
- SageMaker AI JumpStart
-
-
Commencez à utiliser l'apprentissage automatique grâce à l' SageMaker IA JumpStart
Explorez des modèles de JumpStart solutions d' SageMaker IA qui configurent une infrastructure pour des cas d'utilisation courants, ainsi que des exemples de blocs-notes exécutables pour l'apprentissage automatique avec l' SageMaker IA.
Découvrez le guide »
-
Démarrez rapidement votre projet de machine learning à l'aide d'Amazon SageMaker AI JumpStart
Découvrez comment accélérer votre projet de machine learning à l'aide de modèles préentraînés et de solutions prédéfinies proposées par Amazon AI. SageMaker JumpStart Vous pouvez ensuite déployer le modèle sélectionné via les blocs-notes Amazon SageMaker AI Studio.
Commencez avec le didacticiel »
-
Découvrez Amazon SageMaker AI JumpStart grâce à cet atelier d'une journée d'immersion
Découvrez comment les fonctionnalités de machine learning low-code d'Amazon SageMaker AI Data Wrangler, Autopilot et Jumpstart permettent d'expérimenter plus rapidement et de mettre en production des modèles très précis.
Commencez avec l'atelier »
- SageMaker AI Pipelines
-
-
Démarrez avec Amazon SageMaker AI Pipelines
Découvrez comment créer des flux de travail de bout en bout qui gèrent et déploient des tâches d' SageMaker IA. SageMaker AI Pipelines intègre le SDK SageMaker AI Python, ce qui vous permet de créer chaque étape de votre pipeline à l'aide d'une Python-based interface.
Découvrez le guide »
-
Automatisez les workflows d'apprentissage automatique
Découvrez comment créer et automatiser des flux de travail d'apprentissage automatique (ML) de bout en bout à l'aide d'Amazon SageMaker AI Pipelines, d'Amazon SageMaker AI Model Registry et d'Amazon SageMaker AI Clarify.
Commencez avec le didacticiel »
-
Comment créer des flux de travail de machine learning entièrement automatisés avec Amazon SageMaker AI Pipelines
Découvrez Amazon SageMaker AI Pipelines, le premier CI/CD service de machine learning au monde conçu pour être accessible à tous les développeurs et data scientists. SageMaker AI Pipelines intègre les CI/CD pipelines au ML, réduisant ainsi le temps de codage requis.
Regardez la vidéo »
- SageMaker AI Studio
-
-
Créez et entraînez un modèle d'apprentissage automatique localement
Apprenez à créer et à entraîner un modèle de machine learning localement dans votre bloc-notes Amazon SageMaker AI Studio.
Commencez avec le didacticiel »
-
SageMaker Atelier sur l'intégration d'AI Studio à l'EMR
Apprenez à utiliser le traitement distribué à grande échelle pour préparer des données et ensuite entraîner des modèles d'apprentissage automatique.
Commencez avec l'atelier »
La troisième série de AI/ML Service AWS parcours propose une documentation approfondie, des didacticiels pratiques et des ressources pour démarrer avec AWS Trainium Amazon Titan. AWS Inferentia
- AWS Trainium
-
-
Élargir la formation distribuée avec AWS Trainium Amazon EKS
Découvrez comment vous pouvez bénéficier de la disponibilité générale des instances Amazon EC2 Trn1 alimentées par AWS Trainium un accélérateur de machine learning spécialement conçu et optimisé pour fournir une plateforme performante, rentable et extrêmement évolutive pour la formation de modèles de deep learning dans le cloud.
Lisez le blog »
-
Vue d'ensemble de AWS Trainium
Découvrez l'accélérateur AWS Trainium d'apprentissage automatique (ML) de deuxième génération AWS spécialement conçu pour l'apprentissage en profondeur de plus de 100 milliards de modèles de paramètres. Chaque instance Amazon Elastic Compute Cloud (EC2) Trn1 déploie jusqu'à 16 AWS Trainium accélérateurs afin de fournir une solution performante et peu coûteuse pour la formation en deep learning (DL) dans le cloud.
Découvrez le guide »
-
Instances Trainium recommandées
Découvrez comment les AWS Trainium instances sont conçues pour fournir des performances et une rentabilité élevées pour les charges de travail d'inférence de modèles d'apprentissage en profondeur.
Découvrez le guide »
- AWS Inferentia
-
-
Vue d'ensemble de AWS Inferentia
Découvrez comment les accélérateurs sont conçus AWS pour fournir des performances élevées au moindre coût pour vos applications d'inférence d'apprentissage profond (DL).
Découvrez le guide »
-
AWS Inferentia 2 s'appuie sur AWS Inferentia 1 en offrant un débit 4 fois plus élevé et une latence 10 fois plus faible
Découvrez pourquoi AWS Inferentia 2 est optimisé et découvrez comment il a été conçu dès le départ pour améliorer les performances tout en réduisant le coût des LLM et de l'inférence générative basée sur l'IA.
Lisez le blog »
-
Inférence d'apprentissage automatique à l'aide de AWS Inferentia
Apprenez à créer un cluster Amazon EKS avec des nœuds exécutant des instances Amazon EC2 Inf1 et à déployer (éventuellement) un exemple d'application. Les instances Amazon EC2 Inf1 sont alimentées par AWS Inferentia des puces conçues sur mesure AWS pour fournir des performances élevées et une inférence à moindre coût dans le cloud.
Découvrez le guide »
- Amazon Titan
-
-
Présentation d'Amazon Titan
Découvrez comment les machines virtuelles Amazon Titan sont préentraînées sur de grands ensembles de données, ce qui en fait de puissants modèles polyvalents. Découvrez comment les utiliser tels quels, ou en privé, pour les personnaliser avec vos propres données pour une tâche particulière sans annoter de gros volumes de données.
Découvrez le guide »
Explorez
-
Schémas d'architecture
Ces diagrammes d'architecture de référence présentent des exemples de services d' AWS IA et de ML utilisés.
Explorez les diagrammes d'architecture »
-
Livres blancs
Explorez les livres blancs pour vous aider à démarrer et découvrez les meilleures pratiques en matière de choix et d'utilisation AI/ML des services.
Découvrez les livres blancs »
-
AWS Solutions
Explorez des solutions approuvées et des conseils architecturaux pour les cas d'utilisation courants des services d'IA et de ML.
Découvrez les solutions »
Ressources
Modèles de fondation
Les modèles de fondations pris en charge incluent :
À l'aide d'Amazon Bedrock, vous pouvez expérimenter différents modèles de base et les personnaliser en privé avec vos données.
Cas d'utilisation ou services spécifiques au secteur
Articles de blog associés
