Qu’est-ce qu’Amazon SageMaker ?
Amazon SageMaker est la plateforme de machine learning d’AWS. Elle réunit dans un même service la préparation des données, l’entraînement des modèles, leur déploiement en production et leur surveillance, sans avoir à administrer les serveurs qui exécutent ces traitements.
Un point de nommage prête à confusion depuis décembre 2024 : le service historique s’appelle désormais Amazon SageMaker AI, tandis que le nom Amazon SageMaker désigne une plateforme plus large, qui ajoute l’analytique, la gouvernance des données et un environnement unifié appelé SageMaker Unified Studio. Les appels d’API et les commandes CLI, eux, n’ont pas bougé.
Quand une offre d’emploi ou une documentation mentionne SageMaker, il s’agit presque toujours de la partie machine learning.
À quoi sert Amazon SageMaker ?
SageMaker sert à industrialiser un modèle : passer d’un notebook qui tourne sur le poste d’un data scientist à un service interrogé des milliers de fois par jour, avec un historique des versions et un suivi des performances.
Le service couvre la chaîne complète :
- Annotation des jeux de données avec Ground Truth, stockage des variables réutilisables dans le Feature Store.
- Entraînement sur des instances GPU louées à la durée, avec entraînement distribué et recherche automatique d’hyperparamètres.
- Suivi des expérimentations, enregistrement des modèles validés dans un registre, enchaînement des étapes via SageMaker Pipelines.
- Déploiement derrière un point de terminaison, puis surveillance de la dérive des données avec Model Monitor.
La facturation se fait à l’usage des instances consommées, sans licence à acheter. Un endpoint temps réel laissé actif continue de coûter même sans trafic, ce qui explique une bonne part des factures inattendues.
Comment fonctionne Amazon SageMaker ?
Le travail se fait depuis SageMaker Studio, un environnement web construit sur JupyterLab, ou depuis le SDK Python installé en local.
Le code décrit une tâche : entraînement, traitement de données ou inférence par lots. SageMaker provisionne les machines nécessaires, exécute le conteneur, écrit les résultats dans Amazon S3, puis libère les ressources.
Pour le modèle lui-même, on peut utiliser un algorithme intégré fourni par AWS, apporter son propre code dans un conteneur Docker, ou reprendre un modèle pré-entraîné du catalogue JumpStart.
Côté déploiement, plusieurs modes coexistent : endpoint temps réel pour des réponses immédiates, endpoint serverless pour un trafic irrégulier, inférence asynchrone pour des requêtes longues, transformation par lots pour traiter un fichier entier d’un coup.
SageMaker, Bedrock ou EC2 : que choisir ?
EC2 fournit des machines virtuelles nues. L’installation des pilotes GPU, l’orchestration et la mise à l’échelle des points de terminaison restent à la charge de l’équipe. Moins cher à l’heure d’instance, plus coûteux en temps d’ingénierie.
Amazon Bedrock donne accès par API à des modèles de fondation déjà entraînés et hébergés par AWS. On n’entraîne rien, on consomme. SageMaker répond au besoin inverse : entraîner ou affiner un modèle sur ses propres données et garder la main sur son déploiement.
SageMaker n’est pas non plus une bibliothèque comme TensorFlow ou PyTorch. Ces frameworks servent à écrire le modèle, SageMaker à l’exécuter et à le maintenir. Chez les concurrents, les équivalents s’appellent Vertex AI (Google Cloud) et Azure Machine Learning (Microsoft).
Exemples ou cas d’usage concrets
Un site de e-commerce réentraîne chaque nuit un modèle de recommandation sur l’historique de navigation, puis le publie derrière un endpoint appelé à chaque affichage de fiche produit.
Une banque déploie un modèle de détection de fraude en temps réel. La latence compte : la réponse doit revenir avant la validation du paiement, ce qui impose un endpoint dimensionné et surveillé de près.
Un industriel collecte les vibrations de ses machines pour alimenter un modèle de maintenance prédictive. L’inférence par lots suffit, les données étant traitées une fois par jour.
Un assureur affine un modèle de langage issu de JumpStart pour classer les courriers entrants et les router vers le bon service, sans faire sortir ses documents de son compte AWS.
Quels profils recrute-t-on autour de SageMaker ?
SageMaker apparaît surtout dans les offres de machine learning engineer et de MLOps engineer. Le data scientist s’en sert pour entraîner, mais c’est rarement lui qui tient la production.
- Machine learning engineer : écrit le code d’entraînement, l’emballe dans des conteneurs, gère les versions de modèles et les performances en inférence.
- MLOps engineer : construit les pipelines, automatise le réentraînement, surveille la dérive des données et garde un œil sur la facture.
- Data engineer : alimente le Feature Store et les jeux d’entraînement depuis S3, Glue ou Redshift.
- Data scientist : conçoit le modèle et choisit les métriques, avec SageMaker comme environnement de travail plutôt que comme spécialité.
Ce que cherchent les recruteurs tient en une combinaison : Python, AWS et conteneurs. Un candidat qui sait entraîner un modèle mais pas le déployer, ou l’inverse, correspond à un autre poste. Cette double compétence reste rare, et les recrutements s’en trouvent allongés.