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.
# Qu'est-ce qu'Amazon SageMaker AI ?
Amazon SageMaker AI est un service d'apprentissage automatique (ML) entièrement géré. Grâce à l' SageMaker IA, les data scientists et les développeurs peuvent créer, former et déployer rapidement et en toute confiance des modèles de machine learning dans un environnement hébergé prêt pour la production. Il fournit une expérience d'interface utilisateur pour exécuter des flux de travail ML qui rend les outils SageMaker AI ML disponibles dans plusieurs environnements de développement intégrés (IDEs).
Grâce à l' SageMaker IA, vous pouvez stocker et partager vos données sans avoir à créer et à gérer vos propres serveurs. Cela vous donne, à vous ou à vos organisations, plus de temps pour créer et développer votre flux de travail ML de manière collaborative, et ce, plus rapidement. SageMaker L'IA fournit des algorithmes de machine learning gérés pour fonctionner efficacement sur des données extrêmement volumineuses dans un environnement distribué. Grâce à un support bring-your-own-algorithms et à des cadres intégrés, l' SageMaker IA propose des options de formation distribuées flexibles qui s'adaptent à vos flux de travail spécifiques. En quelques étapes, vous pouvez déployer un modèle dans un environnement sécurisé et évolutif à partir de la console SageMaker AI.
**Topics**
+ [Renommer Amazon SageMaker AI](#whatis-rename)
+ [Amazon SageMaker et Amazon SageMaker AI](#whatis-rename-unified)
+ [Tarification d'Amazon SageMaker AI](#whatis-pricing)
+ [Recommandations pour un nouvel utilisateur d'Amazon AI SageMaker](first-time-user.md)
+ [Présentation du machine learning avec Amazon SageMaker AI](how-it-works-mlconcepts.md)
+ [Fonctionnalité d’Amazon SageMaker AI](whatis-features.md)
## Renommer Amazon SageMaker AI
Le 3 décembre 2024, Amazon SageMaker a été renommé Amazon SageMaker AI. Ce changement de nom ne s'applique à aucune des SageMaker fonctionnalités Amazon existantes.
### Les anciens espaces de noms restent les mêmes
Les espaces de noms de l’API `sagemaker`, ainsi que les espaces de noms associés suivants, restent inchangés à des fins de rétrocompatibilité.
+ AWS CLI commandes
+ [Politiques gérées](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html) contenant des préfixes `AmazonSageMaker`
+ [Points de terminaison de service](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html) contenant `sagemaker`
+ Ressources [AWS CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/AWS_SageMaker.html) contenant des préfixes `AWS::SageMaker`
+ Rôle lié à un service contenant `AWSServiceRoleForSageMaker`
+ Console URLs contenant `sagemaker`
+ Documentation URLs contenant `sagemaker`
## Amazon SageMaker et Amazon SageMaker AI
Le 3 décembre 2024, Amazon a lancé la prochaine génération d'Amazon SageMaker.
Amazon SageMaker est une plateforme unifiée pour les données, les analyses et l'IA. Associant des fonctionnalités d'apprentissage AWS automatique et d'analyse, la prochaine génération de SageMaker produits fournit une expérience intégrée pour l'analyse et l'IA avec un accès unifié à toutes vos données.
Amazon SageMaker inclut les fonctionnalités suivantes :
+ Amazon SageMaker AI (anciennement Amazon SageMaker) : créez, formez et déployez des modèles de machine learning et de base, avec une infrastructure, des outils et des flux de travail entièrement gérés
+ Amazon SageMaker Lakehouse — Unifiez l'accès aux données entre les lacs de données Amazon S3, Amazon Redshift et d'autres sources de données
+ Gouvernance SageMaker des données et de l'IA d'Amazon : découvrez, gérez et collaborez sur les données et l'IA en toute sécurité avec Amazon SageMaker Catalog, développé sur Amazon DataZone
+ Analytique SQL : obtenez des informations grâce au moteur SQL le plus économique avec Amazon Redshift
+ Traitement SageMaker des données Amazon : analysez, préparez et intégrez des données à des fins d'analyse et d'intelligence artificielle à l'aide de frameworks open source sur Amazon Athena, Amazon EMR et AWS Glue
+ Amazon SageMaker Unified Studio : créez avec toutes vos données et outils d'analyse et d'intelligence artificielle dans un environnement de développement unique
+ Amazon Bedrock : créez et mettez à l’échelle des applications d’IA génératives
Pour plus d'informations, consultez [Amazon SageMaker](https://aws.amazon.com/sagemaker).
## Tarification d'Amazon SageMaker AI
Pour plus d'informations sur les limites du [niveau AWS gratuit](https://aws.amazon.com/free) et le coût d'utilisation de l' SageMaker IA, consultez [Amazon SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/).
# Recommandations pour un nouvel utilisateur d'Amazon AI SageMaker
Si vous utilisez l' SageMaker IA pour la première fois, nous vous recommandons de suivre les étapes suivantes :
1. **[Présentation du machine learning avec Amazon SageMaker AI](how-it-works-mlconcepts.md)** : obtenez un aperçu du cycle de vie du machine learning (ML) et découvrez les solutions proposées. Cette page explique les concepts clés et décrit les principaux composants impliqués dans la création de solutions d'IA basées sur l' SageMaker IA.
1. **[Guide de configuration d'Amazon SageMaker AI](gs.md)**— Apprenez à configurer et à utiliser l' SageMaker IA en fonction de vos besoins.
1. **[Machine learning automatisé, sans programmation ou à programmation schématisée](use-auto-ml.md)** : découvrez les options d’apprentissage automatique à programmation schématisée ou sans programmation qui simplifient le flux de travail ML en automatisant les tâches de machine learning. Ces options sont des outils d’apprentissage de ML utiles, car elles fournissent une visibilité sur le code en générant des blocs-notes pour chacune des tâches ML automatisées.
1. **[Environnements d'apprentissage automatique proposés par Amazon SageMaker AI](machine-learning-environments.md)**— Familiarisez-vous avec les environnements ML que vous pouvez utiliser pour développer votre flux de travail ML, tels que les informations, les exemples ready-to-use et les modèles personnalisés.
1. **Explorez d'autres sujets** : utilisez la table des matières du guide du développeur d' SageMaker IA pour explorer d'autres sujets. Par exemple, vous pouvez trouver des informations sur les étapes du cycle de vie du machine learning[Présentation du machine learning avec Amazon SageMaker AI](how-it-works-mlconcepts.md), ainsi que sur les différentes solutions proposées par l' SageMaker IA.
1. **[Ressources Amazon SageMaker AI](https://aws.amazon.com/sagemaker/resources)** — Reportez-vous aux différentes ressources pour développeurs proposées par SageMaker l'IA.
# Présentation du machine learning avec Amazon SageMaker AI
Cette section décrit un flux de machine learning (ML) classique et la façon d’effectuer ces tâches avec Amazon SageMaker AI.
Dans le cadre du machine learning, vous *apprenez* à un ordinateur à effectuer des prédictions ou inférences. Tout d’abord, vous utilisez un algorithme et des exemples de données pour entraîner un modèle. Ensuite, vous intégrez votre modèle dans votre application pour générer des inférences en temps réel et à l’échelle.
Le schéma suivant montre le flux de travail typique de création de modèle ML. Il comprend trois étapes dans un flux circulaire que nous abordons plus en détail sur le schéma suivant :
+ Génération d’exemples de données
+ Entraînement d’un modèle
+ Déploiement du modèle
![\[Les trois étapes de la création d’un modèle ML.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/ml-concepts-10.png)
Le schéma montre comment exécuter les tâches suivantes dans les scénarios les plus courants :
1. **Générer des exemples de données** : pour entraîner un modèle, vous avez besoin d’exemples de données. Le type de données dont vous avez besoin dépend du problème métier que vous souhaitez voir résolu. Cela concerne les inférences que vous souhaitez que le modèle génère. Par exemple, si vous souhaitez créer un modèle qui prédit un nombre à partir d’une image en entrée représentant un chiffre manuscrit. Pour entraîner ce modèle, vous avez besoin d’exemples d’images de chiffre manuscrits.
Les spécialistes des données consacrent souvent du temps à étudier et prétraiter des exemples de données avant de les utiliser pour l’entraînement des modèles. Pour prétraiter des données, vous effectuez généralement les opérations suivantes :
1. **Récupérer des données** : vous pouvez posséder des référentiels de données en interne, ou utiliser des jeux de données disponibles publiquement. En général, vous placez les ensembles de données dans un référentiel unique.
1. **Nettoyer les données** : pour améliorer l’entraînement des modèles, étudiez les données et nettoyez-les si nécessaire. Par exemple, si vos données possèdent un attribut `country name` avec des valeurs `United States` et `US`, vous pouvez les modifier à des fins de cohérence.
1. **Préparer ou transformer les données** : pour améliorer les performances, vous pouvez effectuer des transformations de données supplémentaires. Par exemple, vous pouvez choisir de combiner les attributs d’un modèle qui prédit les conditions nécessitant le dégivrage d’un avion. Vous pouvez combiner les attributs de température et d’humidité dans un nouvel attribut plutôt que de les utiliser séparément, afin d’améliorer le modèle.
Dans SageMaker AI, vous pouvez prétraiter des exemples de données à l’aide des [API SageMaker](https://docs.aws.amazon.com/sagemaker/latest/APIReference/Welcome.html) avec le kit [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/) dans un environnement de développement intégré (IDE). Avec le kit SDK pour Python (Boto3), vous pouvez récupérer, explorer et préparer vos données pour l’entraînement des modèles. Pour plus d’informations sur la préparation, le traitement et la transformation des données, consultez [Recommandations pour choisir le bon outil de préparation des données en SageMaker IA](data-prep.md), [Charges de travail de transformation des données avec Processing SageMaker](processing-job.md) et [Création, stockage et partage de caractéristiques avec Feature Store](feature-store.md).
1. **Entraîner un modèle** : l’entraînement des modèles inclut à la fois l’entraînement et l’évaluation du modèle, comme suit :
+ **Entraînement du modèle** : pour entraîner un modèle, vous avez besoin d’un algorithme ou d’un modèle de base pré-entraîné. Le choix de votre algorithme dépend de plusieurs facteurs. Si vous recherchez une solution intégrée, vous pouvez utiliser l’un des algorithmes fournis par SageMaker. Pour obtenir une liste des algorithmes fournis par SageMaker et des considérations connexes, consultez [Algorithmes intégrés et modèles préentraînés dans Amazon SageMaker](algos.md). Pour obtenir une solution d’entraînement basée sur l’interface utilisateur qui fournit des algorithmes et des modèles, consultez [SageMaker JumpStart modèles préentraînés](studio-jumpstart.md).
Vous devez également calculer les ressources nécessaires à l’entraînement. L’utilisation de vos ressources dépend de la taille de votre jeu de données d’entraînement et de la rapidité à laquelle vous avez besoin des résultats. Vous pouvez utiliser des ressources allant d’une instance à usage général unique à un cluster distribué d’instances GPU. Pour plus d’informations, consultez [Entraînez un modèle avec Amazon SageMaker](how-it-works-training.md).
+ **Évaluer le modèle** : après avoir entraîné votre modèle, vous l’évaluez afin de déterminer si la précision des inférences est acceptable. Pour entraîner et évaluer votre modèle, utilisez le kit [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/) pour envoyer des demandes d’inférences au modèle via l’un des IDE disponibles. Pour plus d’informations sur l’évaluation de votre modèle, consultez [Surveillance de la qualité des données et des modèles avec Amazon SageMaker Model Monitor](model-monitor.md).
1. **Déployer le modèle** : normalement, vous repensez un modèle avant de l’intégrer à votre application et de le déployer. Avec les services d’hébergement SageMaker AI, vous pouvez déployer votre modèle de manière indépendante, ce qui le découple de votre code d’application. Pour plus d’informations, consultez [Déploiement de modèles pour l'inférence](deploy-model.md).
Le machine learning est un cycle continu. Après avoir déployé un modèle, vous surveillez les inférences, collectez plus de données de qualité élevée et évaluez le modèle pour identifier les écarts. Vous pouvez ensuite augmenter la précision de vos inférences en mettant à jour vos données d’entraînement de manière à inclure les données de qualité élevée nouvellement collectées. À mesure que davantage d’exemples de données deviennent disponibles, vous continuez de réentraîner votre modèle pour en augmenter la précision.
# Fonctionnalité d’Amazon SageMaker AI
Amazon SageMaker AI comprend les fonctionnalités suivantes.
**Topics**
+ [Nouvelles fonctionnalités à l’occasion de re:Invent 2024](#whatis-features-alpha-new)
+ [Environnements de machine learning](#whatis-features-alpha-mle)
+ [Principales fonctions](#whatis-features-alpha-major)
## Nouvelles fonctionnalités à l’occasion de re:Invent 2024
SageMaker AI inclut les nouvelles fonctionnalités suivantes pour re:Invent 2024.
**[Formules HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html) **
Vous pouvez exécuter des recettes dans Amazon SageMaker HyperPod ou sous forme de tâche d’entraînement SageMaker. Vous utilisez l’adaptateur d’entraînement HyperPod comme cadre pour vous aider à exécuter des flux d’entraînement de bout en bout. L’adaptateur d’entraînement est basé sur le cadre NVIDIA NeMo et le package Neuronx Distributed Training.
**[HyperPod dans Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-studio.html) **
Dans Amazon SageMaker Studio, vous pouvez lancer des charges de travail de machine learning sur des clusters HyperPod et consulter les informations relatives aux clusters HyperPod. La visibilité accrue sur les détails du cluster et les métriques matérielles peuvent aider votre équipe à identifier le bon candidat pour vos charges de travail de pré-entraînement ou de peaufinage.
**[Gouvernance des tâches HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks-operate-console-ui-governance.html) **
La gouvernance des tâches Amazon SageMaker HyperPod est un système de gestion robuste conçu pour rationaliser l’allocation des ressources et garantir une utilisation efficace des ressources informatiques au sein des équipes et des projets pour vos clusters Amazon EKS. La gouvernance des tâches HyperPod fournit également l’observabilité du cluster Amazon EKS, offrant une visibilité en temps réel sur la capacité du cluster, la disponibilité et l’utilisation du calcul, l’allocation et l’utilisation des équipes, ainsi que les informations sur l’exécution des tâches et les temps d’attente.
**[applications d’IA des partenaires Amazon SageMaker](https://docs.aws.amazon.com/sagemaker/latest/dg/partner-apps.html) **
Avec les applications d’IA des partenaires Amazon SageMaker, les utilisateurs ont accès à des applications de développement d’intelligence artificielle (IA) générative et de machine learning (ML) conçues, publiées et distribuées par des fournisseurs d’applications de pointe. Les applications d’IA des partenaires sont certifiées pour fonctionner sur SageMaker AI. Avec les applications d’IA des partenaires, les utilisateurs peuvent accélérer et améliorer la façon dont ils créent des solutions basées sur des modèle de fondation (FM) et des modèles classiques de ML sans compromettre la sécurité de leurs données sensibles, qui restent totalement conformes à leur configuration de sécurité fiable et ne sont jamais partagées avec un tiers.
**[Q Developer est disponible dans Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-q.html) **
Vous pouvez discuter avec Amazon Q Developer dans Amazon SageMaker Canvas en langage naturel pour vous aider à résoudre vos problèmes de machine learning grâce à l’IA générative. Vous pouvez discuter avec Q Developer des étapes d’un flux de travail de machine learning et tirer parti des fonctionnalités de Canvas telles que la transformation des données, la création de modèles et le déploiement.
**[Plans d’entraînement SageMaker](https://docs.aws.amazon.com/sagemaker/latest/dg/reserve-capacity-with-training-plans.html) **
Les plans d’entraînement Amazon SageMaker sont une fonctionnalité de réservation de capacité de calcul conçue pour les charges de travail d’entraînement des modèles d’IA à grande échelle exécutées sur des tâches d’entraînement SageMaker et des clusters HyperPod. Ils fournissent un accès prévisible à des ressources informatiques accélérées par GPU très demandées dans des délais précis. Vous pouvez spécifier la chronologie, la durée et les ressources de calcul maximales souhaitées, et les plans d’entraînement SageMaker gèrent automatiquement la configuration de l’infrastructure, l’exécution de la charge de travail et la restauration après panne. Cela permet de planifier et d’exécuter efficacement des projets d’IA critiques avec un modèle de coûts prévisible.
## Environnements de machine learning
SageMaker AI inclut les environnements de machine learning suivants.
**[SageMaker Canvas](canvas.md)**
Un service de ML automatique qui offre aux utilisateurs sans expérience de codage la possibilité de créer des modèles et d’établir des prédictions grâce à ces derniers.
**[Éditeur de code](https://docs.aws.amazon.com/sagemaker/latest/dg/code-editor.html) **
L’éditeur de code étend Studio afin que vous puissiez écrire, tester, déboguer et exécuter votre code d’analytique et de machine learning dans un environnement basé sur Visual Studio Code - Open Source (« Code-OSS »).
**[Fonctions géospatiales de SageMaker](geospatial.md)**
Créez, entraînez et déployez des modèles de ML à l’aide de données géospatiales.
**[SageMaker HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html) **
Amazon SageMaker HyperPod est une fonctionnalité de SageMaker AI qui fournit un environnement de machine learning permanent sur des clusters résilients dans lequel vous pouvez exécuter n’importe quelle charge de travail de machine learning pour développer de grands modèles de machine learning tels que les grands modèles de langage (LLM) et les modèles de diffusion.
**[JupyterLab dans Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl.html) **
JupyterLab dans Studio améliore la latence et la fiabilité des blocs-notes Studio
**[Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated.html) **
Studio est la toute dernière expérience Web pour exécuter des flux de travail ML. Studio propose une suite d’IDE, y compris un éditeur de code, une nouvelle application Jupyterlab, RStudio et Studio Classic.
**[Amazon SageMaker Studio Classic](studio.md)**
Environnement de machine learning intégré qui vous permet de générer, entraîner, déployer et analyser vos modèles dans la même application.
**[SageMaker Studio Lab](studio-lab.md)**
Un service gratuit qui permet aux clients d’accéder aux ressources de calcul AWS dans un environnement basé sur l’open source JupyterLab.
**[RStudio sur Amazon SageMaker AI](rstudio.md)**
Un environnement de développement intégré pour R avec une console, un éditeur de coloration syntaxique qui prend en charge l’exécution directe de code et des outils de traçage, d’historique, de débogage et de gestion de l’espace de travail.
## Principales fonctions
SageMaker AI inclut les principales fonctions suivantes par ordre alphabétique, à l’exclusion de tout préfixe SageMaker AI.
**[Amazon Augmented AI](a2i-use-augmented-ai-a2i-human-review-loops.md)**
Créez les flux requis pour la vérification humaine des prédictions ML. Amazon A2I offre à tous les développeurs une capacité de vérification humaine des prédictions ML, sans la charge lourde non différenciée associée à la création de systèmes de vérification humaine ou la gestion d’un grand nombre de vérificateurs humains.
**[Étape AutoML](build-and-manage-steps.md)**
Créez une tâche AutoML pour entraîner automatiquement un modèle dans Pipelines.
**[SageMaker Autopilot](autopilot-automate-model-development.md)**
Les utilisateurs qui ne connaissent pas le machine learning peuvent rapidement construire des modèles de classification et de régression.
**[Transformation par lots](batch-transform.md)**
Prétraitez les jeux de données, exécutez l’inférence lorsque vous n’avez pas besoin d’un point de terminaison persistant et associez les enregistrements d’entrée à des inférences pour faciliter l’interprétation des résultats.
**[SageMaker Clarify](clarify-configure-processing-jobs.md#clarify-fairness-and-explainability)**
Améliorez vos modèles de machine learning en détectant le biais potentiel et en expliquant les prédictions réalisées par les modèles.
**[Collaboration avec des espaces partagés](domain-space.md)**
Un espace partagé se compose d’une application JupyterServer partagée et d’un répertoire partagé. Tous les profils utilisateur du domaine Amazon SageMaker AI ont accès à tous les espaces partagés du domaine.
**[SageMaker Data Wrangler](data-wrangler.md)**
Importez, analysez, préparez et caractérisez les données dans SageMaker Studio. Vous pouvez intégrer Data Wrangler à vos flux de machine learning afin de simplifier et rationaliser le prétraitement des données et l’ingénierie des caractéristiques avec peu ou pas de codage. Vous pouvez également ajouter vos propres scripts et transformations Python afin de personnaliser votre flux de préparation des données.
**[Widget de préparation de données Data Wrangler](data-wrangler-interactively-prepare-data-notebook.md)**
Interagissez avec vos données, obtenez des visualisations, explorez des informations exploitables et résolvez les problèmes de qualité des données.
**[SageMaker Debugger](train-debugger.md)**
Inspecter les paramètres et les données d’entraînement tout au long du processus d’entraînement. Détectez et alertez automatiquement les utilisateurs en cas d’erreurs courantes telles que des valeurs de paramètres qui deviennent trop grandes ou trop petites.
**[SageMaker Edge Manager](edge.md)**
Optimisez les modèles personnalisés pour les appareils en périphérie, créez et gérez des flottes, et exécutez des modèles avec un runtime efficace.
**[SageMaker Experiments](experiments.md)**
Gestion et suivi des expériences. Vous pouvez utiliser les données suivies pour reconstruire une expérience, construire progressivement sur des expériences menées par des pairs et suivre la lignée des modèles pour des vérifications de conformité et d’audit.
**[SageMaker Feature Store](feature-store.md)**
Une boutique centralisée pour les fonctions et les métadonnées associées, qui facilite la découverte et la réutilisation des fonctions. Vous pouvez créer deux types de boutiques, en ligne ou hors ligne. Le magasin en ligne peut être utilisé pour les cas d’utilisation d’inférence en temps réel à faible latence, et le magasin hors ligne peut être utilisé pour les cas d’utilisation d’entraînement et d’inférence par lots.
**[SageMaker Ground Truth](sms.md)**
Entraînement de haute qualité des jeux de données à l’aide d’employés et du machine learning dans le but de créer des jeux de données étiquetés.
**[SageMaker Ground Truth Plus](gtp.md)**
Une fonctionnalité d’étiquetage des données clé en main pour créer des jeux de données d’entraînement de haute qualité sans avoir à créer des applications d’étiquetage et à gérer vous-même la main-d’œuvre en charge de l’étiquetage.
**[SageMaker Inference Recommender](inference-recommender.md)**
Obtenez des recommandations sur les types et les configurations d’instances d’inférence (par exemple, le nombre d’instances, les paramètres de conteneur et les optimisations de modèle) pour utiliser vos modèles et charges de travail de ML.
**[Tests shadow d’inférence](shadow-tests.md)**
Évaluez toute modification apportée à votre infrastructure de modèle en comparant ses performances à celles de son infrastructure actuellement déployée.
**[SageMaker Jumpstart](studio-jumpstart.md)**
Découvrez les fonctionnalités et les capacités de SageMaker AI grâce à des solutions en un clic organisées, des exemples de blocs-notes et des modèles pré-entraînés que vous pouvez déployer. Vous pouvez également affiner les modèles et les déployer.
**[SageMaker ML Lineage Tracking](lineage-tracking.md)**
Suivez la lignée des flux de machine learning.
**[SageMaker Model Building Pipelines](pipelines.md)**
Créez et gérez des pipelines de machine learning intégrés directement aux tâches SageMaker AI.
**[Cartes modèles de SageMaker](model-cards.md)**
Documentez les informations relatives à vos modèles de ML en un seul endroit pour une gouvernance et des rapports rationalisés tout au long du cycle de vie du ML.
**[Tableau de bord du modèle SageMaker](model-dashboard.md)**
Un aperçu visuel prédéfini de tous les modèles de votre compte. Le tableau de bord des modèles intègre les informations issues de SageMaker Model Monitor, des tâches de transformation, des points de terminaison, du suivi de lignée et de CloudWatch afin que vous puissiez accéder à des informations de haut niveau sur les modèles et suivre leurs performances dans une vue unifiée.
**[SageMaker Model Monitor](model-monitor.md)**
Surveillez et analysez les modèles en production (points de terminaison) pour détecter une dérive des données et des écarts dans la qualité des modèles.
**[Registre de modèles SageMaker](model-registry.md)**
Gestion des versions, suivi des artefacts et de la lignée, flux d’approbation et prise en charge inter-compte pour le déploiement de vos modèles de machine learning.
**[SageMaker Neo](neo.md)**
Entraînez une fois des modèles Machine Learning, puis exécutez-les n’importe où dans le cloud et en périphérie.
**[Flux de travail basés sur des blocs-notes](notebook-auto-run.md)**
Exécutez votre bloc-notes SageMaker Studio en tant que tâche planifiée non interactive.
**[Prétraitement](processing-job.md)**
Analysez et prétraitez les données, embrassez l’ingénierie des caractéristiques et évaluez les modèles.
**[SageMaker Projects](sagemaker-projects.md)**
Créez des solutions de ML de bout en bout avec CI/CD à l’aide de projets SageMaker.
**[Apprentissage par renforcement](reinforcement-learning.md)**
Augmentez au maximum la récompense à long terme qu’un agent reçoit en raison de ses actions.
**[Gestionnaire de rôles SageMaker](role-manager.md)**
Les administrateurs peuvent définir des autorisations de moindre privilège pour les activités de ML courantes à l’aide de rôles IAM personnalisés et préconfigurés.
**[Points de terminaison sans serveur SageMaker](serverless-endpoints.md)**
Une option de point de terminaison sans serveur pour héberger votre modèle de ML. Met automatiquement à l’échelle la capacité pour servir le trafic de votre point de terminaison. Supprime la nécessité de sélectionner des types d’instances ou de gérer des politiques de mise à l’échelle sur un point de terminaison.
**[Extension Git pour Studio Classic](studio-git-attach.md)**
Une extension Git permettant de saisir l’URL d’un référentiel Git, de le cloner dans votre environnement, de publier des modifications et de consulter l’historique des validations.
**[Blocs-notes SageMaker Studio](notebooks.md)**
Génération suivante de blocs-notes SageMaker incluant l’intégration AWS IAM Identity Center (IAM Identity Center), les temps de démarrage rapide et le partage en un clic.
**[Blocs-notes SageMaker Studio et Amazon EMR](studio-notebooks-emr-cluster.md)**
Découvrez, créez, résiliez et gérez facilement les clusters Amazon EMR et connectez-vous à eux dans des configurations de compte unique et multicompte directement depuis SageMaker Studio.
**[Compilateur d’entraînement SageMaker](training-compiler.md)**
Entraînez des modèles de deep learning plus rapidement sur des instances GPU évolutives gérées par SageMaker AI.