AWS AI Practitioner - Services AWS AI/ML

🎯 Objectifs

Ce module couvre le domaine Services AWS AI/ML (30% de l'examen - le plus important !). Tu vas :

• ✅ Connaître le portefeuille complet des services AWS AI/ML
• ✅ Comprendre le cas d'usage spécifique de chaque service
• ✅ Savoir quand utiliser SageMaker vs services managés
• ✅ Reconnaître les services spécialisés par industrie
• ✅ Maîtriser Amazon Bedrock pour l'IA générative

📋 Prérequis

• Avoir complété les modules AWS AI Practitioner - Guide Complet et Fondamentaux
• Compréhension générale d'AWS (services cloud)
• Familiarité avec les concepts ML de base

🏗️ Architecture générale des services AWS AI/ML

AWS organise ses services AI/ML en 4 catégories :

1. Services Managés d'IA Générative - Modèles pré-entraînés, pas d'entraînement
2. Plateforme ML End-to-End - Pour data scientists (entraînement custom)
3. Services Spécialisés - Par cas d'usage (vision, texte, prédictions)
4. Services de Foundation Models - Accès à des LLMs via API

🤖 Amazon Bedrock - IA Générative

Qu'est-ce que Bedrock ?

Bedrock est le service AWS pour accéder à des Large Language Models (LLMs) pré-entraînés et optimisés :

• Claude (Anthropic)
• GPT-4 (partenariat OpenAI)
• Llama 2 (Meta)
• Mistral
• Et autres modèles spécialisés

Tu ne dois pas entraîner - les modèles sont déjà pré-entraînés. Tu utilises une API.

Cas d'usage

• Chatbots - Support client, assistants virtuels
• Génération de texte - Résumés, traduction, génération de contenu
• Analyse de contenu - Extraction d'informations, classification
• Amélioration de recherche - RAG (Retrieval Augmented Generation)

Modèles disponibles

Exemple d'utilisation

import boto3

client = boto3.client('bedrock-runtime', region_name='us-east-1')

response = client.invoke_model(
    modelId='anthropic.claude-v2',
    body=json.dumps({
        'prompt': 'Résume cet article en 3 phrases',
        'max_tokens_to_sample': 300,
    })
)

🔧 Amazon SageMaker - Plateforme ML Complète

Qu'est-ce que SageMaker ?

SageMaker est la plateforme end-to-end pour data scientists et ML engineers. Elle couvre :

• Préparation des données
• Entraînement de modèles (custom)
• Déploiement en production
• Monitoring et retraining

Composants clés

SageMaker Autopilot - ML automatisé

• Prépare les données, teste des algorithmes, choisit le meilleur
• Cas : Pas de data scientist, solution rapide

SageMaker Training - Entraînement custom

• Tu fournis le code Python/Tensorflow/PyTorch
• AWS gère l'infrastructure (GPU, scaling)
• Cas : Modèles très spécialisés

SageMaker Endpoint - Déploiement en production

• Transforme un modèle entraîné en API REST
• Scaling automatique, monitoring, A/B testing
• Cas : Servir des prédictions à basse latence

SageMaker Jumpstart - Modèles pré-entraînés

• Bibliothèque de modèles prêts à l'emploi
• Peu ou pas de données d'entraînement nécessaires
• Cas : Transfer learning, fine-tuning rapide

Quand utiliser SageMaker ?

✅ Utilise SageMaker si tu as besoin d':

• Entraîner un modèle custom
• Fine-tuner un modèle sur tes données
• Gérer des pipelines ML complexes

❌ N'utilise PAS SageMaker si tu veux juste:

• Utiliser un modèle pré-entraîné (→ Bedrock, Rekognition, etc.)
• Une simple classification (→ services spécialisés)

👁️ Amazon Rekognition - Analyse d'Image

Qu'est-ce que Rekognition ?

Service managé pour analyser des images et vidéos.

Capacités

• Détection d'objets - "Il y a une voiture, un arbre, une personne"
• Reconnaissance faciale - Identifier qui est dans une photo
• Lecture de texte - Extraire du texte depuis une image (OCR)
• Modération de contenu - Détecter les images explicites/inappropriées
• Analyse de vidéos - Suivre des objets dans des vidéos

Cas d'usage

• Modération de contenu pour réseaux sociaux
• Reconnaissance faciale pour sécurité
• Extraction de données (numéro de permis, passeport)
• Analyse d'archives de vidéos

Exemple

import boto3

rekognition = boto3.client('rekognition')

response = rekognition.detect_labels(
    Image={'S3Object': {'Bucket': 'mon-bucket', 'Name': 'photo.jpg'}},
    MaxLabels=10
)

for label in response['Labels']:
    print(f"{label['Name']}: {label['Confidence']:.1f}%")

📝 Amazon Comprehend - Analyse de Texte

Qu'est-ce que Comprehend ?

Service managé pour analyser et traiter du texte.

Capacités

Cas d'usage

• Analyser les avis clients automatiquement
• Modérer les commentaires sur un site
• Classifier les documents entrants
• Anonymiser les données sensibles

📊 Amazon Forecast - Prédiction de Séries Temporelles

Qu'est-ce que Forecast ?

Service pour prédire des tendances dans le temps.

Cas d'usage

• Prédire la demande de produits (supply chain)
• Prévoir les revenus futurs
• Estimer la consommation électrique
• Planifier les besoins en personnel

Exemple

Tu donnes l'historique des ventes hebdomadaires des 2 dernières années, Forecast prédit les 3 mois suivants.

💡 Différence avec Personalize: Forecast prédit des nombres (demande), Personalize prédit des recommandations (quels produits recommander)

🎯 Amazon Personalize - Recommandations

Qu'est-ce que Personalize ?

Service managé pour créer des systèmes de recommandation personnalisés.

Cas d'usage

• Recommander des produits (e-commerce)
• Suggérer des vidéos/films (streaming)
• Recommander des articles (news, blog)
• Promotions personnalisées

Avantage clé

Tu n'as pas besoin de data scientist pour l'utiliser. Personalize gère automatiquement :

• Le nettoyage des données
• Le choix de l'algorithme
• L'entraînement du modèle

Exemple

import boto3

personalize = boto3.client('personalize')

# Créer un campagne de recommandation
response = personalize.create_campaign(
    name='recommande-films',
    solutionVersionArn='arn:aws:personalize:...'
)

🔊 Services Spécialisés

Amazon Transcribe - Conversion Voix → Texte

• Transcrire des appels téléphoniques
• Sous-titrer des vidéos
• Créer des transcriptions de réunions

Amazon Polly - Conversion Texte → Voix

• Créer des voix de synthèse naturelles
• Lecteur d'écran accessible
• Audio narratif pour contenus

Amazon Textract - Extraction de Texte depuis Documents

• Lire des formulaires scannés
• Extraire des données de factures
• Analyser des tableaux

🔍 Tableau Comparatif Rapide

💡 Décideur : Quel service choisir ?

Arbre de décision

Besoin: Analyser des images ?
├─ OUI → Amazon Rekognition
└─ NON
    ├─ Analyser du texte / sentiment ?
    │  ├─ OUI → Amazon Comprehend
    │  └─ NON
    │      ├─ Générer du texte / chat ?
    │      │  ├─ OUI → Amazon Bedrock
    │      │  └─ NON
    │      │      ├─ Prédire une série temporelle (demande, revenus) ?
    │      │      │  ├─ OUI → Amazon Forecast
    │      │      │  └─ NON
    │      │      │      ├─ Recommander des produits / contenus ?
    │      │      │      │  ├─ OUI → Amazon Personalize
    │      │      │      │  └─ NON → Entraîner un modèle custom → SageMaker
    │      │      │      
    │      │      ├─ Transcrire de l'audio ?
    │      │      │  ├─ OUI → Amazon Transcribe

📚 Concepts clés pour l'examen

📝 Questions type de l'examen

Q1 : Un client veut déployer un chatbot pour son support client. Il n'a pas de data scientists. Quel service ?

• A) SageMaker
• B) Amazon Bedrock
• C) Comprehend
• D) Forecast
• Réponse : B - Bedrock pour IA générative, plus simple qu'entraîner avec SageMaker

Q2 : Predicting which products to show in a customer's feed (Netflix-style). Which service?

• A) Personalize
• B) Bedrock
• C) Forecast
• D) Rekognition
• Réponse : A - Personalize pour les recommandations

Q3 : Une entreprise veut analyser automatiquement les avis clients sur ses produits. Quel service ?

• A) Rekognition
• B) Personalize
• C) Comprehend
• D) SageMaker
• Réponse : C - Comprehend pour l'analyse de sentiment sur du texte

🚀 Prochaines étapes

Après maîtriser ce domaine, continue avec :

1. AWS AI Practitioner - IA Responsable et Éthique
2. AWS AI Practitioner - Applications et Considérations

📚 Ressources

• AWS AI/ML Services Documentation
• Bedrock User Guide
• SageMaker Developer Guide