IA d’AWS : SageMaker, Bedrock et PartyRock, trois voies vers des usages concrets

AWS ne propose pas une intelligence artificielle unique que les entreprises activeraient d’un clic. Son catalogue distingue plusieurs manières de travailler avec l’IA, depuis la construction complète d’un modèle de machine learning jusqu’au prototypage d’une application conversationnelle sans programmation. Cette distinction est essentielle : le bon service dépend moins de l’effet de mode autour de l’IA générative que des compétences disponibles, des données à exploiter et du degré de contrôle attendu.

À la date du 25 novembre 2024, trois noms résument bien cette stratégie d’Amazon Web Services, ou AWS : Amazon SageMaker, Amazon Bedrock et PartyRock. Ils peuvent se compléter, mais ils ne sont pas interchangeables. SageMaker est l’atelier des équipes de données et de machine learning. Bedrock sert à intégrer des modèles de fondation déjà disponibles dans une application. PartyRock abaisse encore le seuil d’entrée pour permettre de fabriquer des assistants simples sans code.

Trois niveaux d’usage de l’IA dans le cloud

Pour comprendre leur rôle, il faut distinguer deux familles de technologies souvent confondues. Le machine learning consiste à entraîner un système à reconnaître des régularités dans des données pour produire une prédiction, une classification ou une recommandation. Une entreprise peut par exemple entraîner un modèle à détecter des anomalies dans ses commandes ou à estimer un risque de désabonnement.

L’IA générative, elle, s’appuie fréquemment sur des modèles de fondation. Ces très grands modèles ont été pré-entraînés sur de vastes corpus et peuvent ensuite générer du texte, résumer un document, répondre à des questions ou produire des représentations adaptées à une tâche. Leur intérêt pratique est qu’ils évitent à une organisation de partir de zéro.

AWS répartit ces besoins entre trois portes d’entrée :

Cette répartition ne signifie pas qu’une entreprise doit obligatoirement utiliser les trois. Une équipe qui veut simplement ajouter un assistant de recherche documentaire à son service client n’a pas forcément besoin de bâtir son propre modèle avec SageMaker. À l’inverse, une organisation disposant de jeux de données spécifiques et d’exigences élevées de contrôle ne se satisfera pas toujours d’un prototype sans code.

SageMaker, l’environnement pour bâtir des modèles de machine learning

Amazon SageMaker, lancé en 2017, est le service historique d’AWS pour les projets de machine learning à grande échelle. Il est conçu pour couvrir une chaîne de travail complète : importer et préparer les données, expérimenter dans des blocs-notes, entraîner un modèle, évaluer ses performances puis le déployer afin qu’il puisse être utilisé par une application.

Son environnement intégré, Amazon SageMaker Studio, propose une interface visuelle qui rassemble ces étapes. L’objectif est de réduire la friction technique qui apparaît habituellement lorsqu’il faut faire communiquer des outils de préparation de données, des environnements de calcul et des systèmes de déploiement distincts.

SageMaker s’adresse surtout à des personnes ayant des compétences techniques. En pratique, un modèle ne devient pas utile parce qu’il a été entraîné : il faut définir le problème, sélectionner des données pertinentes, vérifier leur qualité, choisir une méthode d’évaluation et surveiller son comportement après sa mise en production. Le service fournit l’infrastructure et les outils pour organiser ce cycle, mais il ne dispense pas de ce travail méthodique.

Parmi les fonctions associées à cette démarche figurent la gestion centralisée des modèles et un magasin de variables, souvent appelé feature store. Une variable, ou feature, est une information utilisable par un algorithme, par exemple la fréquence d’achat d’un client, le montant moyen de ses commandes ou le délai écoulé depuis sa dernière interaction. Centraliser ces éléments aide les équipes à réutiliser les mêmes définitions et à limiter les incohérences entre l’entraînement et l’usage réel d’un modèle.

SageMaker trouve donc sa place lorsqu’une entreprise doit produire des modèles robustes pour des usages bien définis : prévision de la demande, détection de fraude, classification de documents ou recommandation, par exemple. Il peut aussi servir à travailler sur des modèles de fondation dans un cadre d’IA générative. Cette ambition a toutefois un coût humain : compétences en données, gouvernance et capacité à maintenir les modèles dans la durée restent nécessaires.

Bedrock, accéder à des modèles de fondation sans les construire de zéro

Lancé en septembre 2023, Amazon Bedrock répond à une autre logique. Là où SageMaker fournit un cadre pour créer et entraîner des systèmes de machine learning, Bedrock permet d’exploiter des modèles de fondation proposés par différents éditeurs. Il ne s’agit pas, dans son usage central, de créer un grand modèle de fondation depuis le début, mais de sélectionner un modèle disponible puis de l’intégrer à un produit.

Parmi les familles de modèles accessibles par Bedrock figurent notamment Claude d’Anthropic, Command et Embed de Cohere, ainsi que Llama de Meta. Ces modèles n’ont pas tous la même spécialité : certains sont orientés vers la génération et l’analyse de texte, tandis que les modèles d’embedding transforment des contenus en représentations numériques utiles pour mesurer la proximité entre une question et un document.

Bedrock s’appuie sur une API qui centralise l’accès à ces modèles. Pour une équipe de développement, cette couche de service est utile parce qu’elle évite de multiplier les intégrations directes avec chaque fournisseur. Elle facilite également l’expérimentation entre plusieurs options. Cela ne rend pas pour autant le changement de modèle entièrement transparent : les réponses produites, les paramètres disponibles, les coûts et les consignes à envoyer au modèle doivent être testés avec soin.

Le service prévoit aussi des mécanismes de personnalisation. Selon le besoin, une organisation peut adapter un modèle à un domaine particulier, notamment par affinage, ou poursuivre son pré-entraînement sur des données propres à son activité. Cette étape ne doit pas être confondue avec un simple changement de consigne dans une conversation. Elle demande de préparer les données, de vérifier les résultats et de s’assurer que les informations utilisées peuvent légalement et légitimement l’être.

L’article-source évoque également Amazon Bedrock Studio, présenté comme un environnement visuel en version préliminaire pour prototyper des applications d’IA générative et favoriser la collaboration au sein d’un projet. L’idée est de rapprocher le travail de conception de l’application de l’usage effectif des modèles, sans remplacer les contrôles techniques nécessaires avant une mise en production.

PartyRock, un terrain de test sans code pour les assistants

PartyRock complète cet ensemble par une approche beaucoup plus accessible. Ce service sans code permet de créer des applications et des assistants d’IA en assemblant des éléments visuels, sans devoir écrire la logique d’une application traditionnelle. Il s’adresse donc à des personnes qui n’ont pas de formation en programmation, mais qui souhaitent explorer des usages concrets de l’IA générative.

Le principe est simple : l’utilisateur définit une tâche, organise les entrées et les sorties attendues, puis construit une petite expérience interactive. Un assistant peut, par exemple, aider à préparer une lettre de candidature, proposer une structure de contenu ou orienter un utilisateur qui cherche une information de support technique autour d’un outil tel que Salesforce.

Cette simplicité est précieuse pour vérifier rapidement si une idée a un intérêt. Une équipe métier peut mieux formaliser son besoin avant de solliciter des développeurs. Un formateur peut illustrer le fonctionnement d’un assistant. Une petite structure peut aussi tester un parcours de questions-réponses. Mais la facilité de création a une contrepartie : PartyRock convient surtout aux cas d’usage suffisamment génériques, avec un périmètre clair et des conséquences limitées en cas de réponse imprécise.

Un assistant construit sans code ne devient pas automatiquement fiable. Les résultats restent dépendants de la formulation des demandes, des capacités du modèle sous-jacent et de la qualité des informations fournies. Dans un domaine réglementé, pour le conseil juridique, médical, financier ou pour des décisions ayant un impact important sur une personne, un prototype ne doit pas se substituer à une expertise humaine ni à un processus contrôlé.

À l’approche de l’événement mondial d’AWS organisé à Las Vegas du 2 au 6 décembre 2024, des évolutions de PartyRock sont attendues. Cet intérêt pour les outils visuels traduit une tendance plus large : les fournisseurs de cloud cherchent à rendre l’IA générative utilisable non seulement par les ingénieurs, mais aussi par les équipes produit et métier.

Quel service AWS choisir selon son projet ?

Le choix peut se résumer à la maturité du projet et au niveau de personnalisation recherché. SageMaker est pertinent lorsque le modèle lui-même constitue un actif stratégique : l’entreprise veut l’entraîner sur ses propres données, évaluer précisément ses performances et maîtriser son cycle de vie. C’est un choix adapté à des équipes spécialisées qui disposent du temps et des compétences nécessaires.

Bedrock correspond plutôt à une organisation qui veut construire une application d’IA générative sans développer un grand modèle elle-même. Un service client conversationnel, un outil de synthèse documentaire ou une interface de recherche peuvent ainsi s’appuyer sur un modèle existant, avec une couche d’intégration et, si nécessaire, de personnalisation.

PartyRock, enfin, est conçu pour l’exploration et le prototypage. Il permet de passer rapidement d’une idée à une démonstration partageable. Si le prototype rencontre son public, l’étape suivante consiste généralement à préciser les sources de données, la sécurité, les règles métier et les critères de qualité. Selon le projet, Bedrock ou SageMaker peuvent alors prendre le relais.

Il est aussi possible d’envisager un chemin progressif : tester une interaction dans PartyRock, développer ensuite une application plus structurée avec Bedrock, puis mobiliser SageMaker si un besoin de modèle sur mesure apparaît. Ce parcours n’est pas une obligation, mais il illustre bien les différents niveaux d’engagement proposés par AWS.

Données, coûts et sécurité : les points à traiter avant le déploiement

Aucun de ces outils ne résout seul les enjeux de gouvernance. La première question porte sur les données. Avant d’utiliser des documents internes, des informations sur des clients ou des données personnelles, une organisation doit savoir qui peut y accéder, où elles sont stockées, combien de temps elles sont conservées et dans quelles conditions elles peuvent servir à personnaliser un modèle.

La seconde concerne la qualité. Un modèle génératif peut produire une réponse convaincante mais erronée, phénomène souvent désigné par le terme d’« hallucination ». Les cas d’usage doivent donc être évalués sur des exemples représentatifs. Il faut notamment définir quand le système peut répondre seul, quand il doit indiquer son incertitude et quand un humain doit reprendre la main.

Enfin, la facture dépend de l’architecture choisie. SageMaker mobilise notamment des ressources de calcul pour l’entraînement et l’inférence. Bedrock est associé à l’usage des modèles appelés par l’application, selon les modalités du service et du modèle retenu. Il est préférable de prévoir des essais bornés, de suivre les volumes réellement consommés et de comparer le coût à la valeur produite, plutôt que de lancer un projet d’IA sans indicateur concret de réussite.

Ce qu’il faut surveiller

La coexistence de SageMaker, Bedrock et PartyRock montre qu’AWS cherche à couvrir tout le parcours, de l’expérimentation par un non-spécialiste à l’industrialisation d’un modèle. L’enjeu pour les entreprises n’est pas seulement technique. Il consiste à faire correspondre chaque outil à un problème réel, à des données maîtrisées et à un niveau de risque accepté.

Les annonces attendues lors de l’événement AWS de décembre 2024 devront être regardées sous cet angle : apportent-elles des capacités réellement utiles aux équipes, ou simplifient-elles avant tout la démonstration ? Pour les organisations, les critères décisifs resteront la qualité des réponses, la protection des données, l’intégration aux outils existants et la possibilité de mesurer un gain concret. L’IA devient utile lorsqu’elle s’insère dans un processus compris et contrôlé, pas lorsqu’elle se limite à une interface impressionnante.