Amazon Bedrock annonce près de 100 modèles et muscle ses outils pour les entreprises

AWS veut faire d’Amazon Bedrock un point d’entrée de plus en plus complet pour les entreprises qui souhaitent créer des applications d’intelligence artificielle générative. À l’occasion de sa conférence re:Invent 2024, le groupe a annoncé l’arrivée de près de 100 nouveaux modèles, des mécanismes de contrôle contre certaines erreurs de l’IA et des outils visant à accélérer les réponses tout en abaissant leur coût.

L’enjeu dépasse la simple accumulation de modèles. Pour une entreprise, adopter l’IA générative suppose de choisir le bon système pour chaque tâche, de connecter ce système à ses données, de maîtriser les dépenses de calcul et de limiter les réponses inexactes. Amazon cherche à couvrir ces étapes avec Bedrock, son service cloud consacré aux modèles de fondation, ainsi qu’avec SageMaker et ses infrastructures spécialisées.

Une clientèle en forte hausse, selon AWS

Amazon met en avant une progression de 470 % de la clientèle de Bedrock sur un an. Swami Sivasubramanian, vice-président de l’IA et des données chez AWS, a cité Adobe, BMW Group et Zendesk parmi les entreprises utilisant la plateforme.

Ce pourcentage mérite d’être interprété avec prudence. Une hausse de 470 % signifie que le volume final représente 5,7 fois le volume de départ, et non 4,7 fois ce volume. En revanche, AWS ne communique pas ici le nombre précis de clients concernés, ni le point de départ utilisé pour ce calcul. Le chiffre traduit néanmoins la place croissante des services d’IA générative dans les offres des grands fournisseurs de cloud.

Amazon Bedrock est conçu pour donner accès, via une infrastructure gérée par AWS, à différents modèles de fondation. Ces modèles sont de vastes systèmes entraînés pour générer ou analyser du texte, du code ou des images, selon leurs capacités. L’intérêt de cette approche est de permettre à une organisation de comparer plusieurs modèles sans devoir, pour chacun d’eux, administrer toute l’infrastructure nécessaire à son fonctionnement.

Près de 100 modèles pour élargir le choix des entreprises

L’annonce la plus visible concerne le catalogue de Bedrock, qui doit s’enrichir de près de 100 modèles. AWS présente cette extension comme la plus vaste à ce jour pour son service. L’objectif est d’offrir davantage de souplesse aux clients, car un même modèle ne répond pas forcément avec la même qualité, la même vitesse ou le même coût à toutes les tâches.

Parmi les nouveaux entrants annoncés figurent des modèles de Luma AI et de Poolside, ainsi que Stable Diffusion 3.5 Large, la version de Stability AI consacrée à la génération d’images. Ils viennent compléter des modèles déjà proposés sur la plateforme, notamment ceux de Meta et de Mistral AI.

Pour les équipes techniques, un catalogue élargi ne se résume pas à une vitrine. Il permet d’adapter le choix du modèle à une contrainte précise. Une application qui doit résumer rapidement de nombreux documents n’aura pas les mêmes besoins qu’un outil de création visuelle ou qu’un assistant chargé de manipuler des informations internes.

L’inférence désigne la phase pendant laquelle un modèle déjà entraîné produit une réponse à partir d’une demande. C’est cette opération qui est sollicitée chaque fois qu’un utilisateur pose une question à un assistant ou demande la génération d’un contenu. Son coût et sa rapidité sont donc déterminants lorsque l’application est utilisée à grande échelle.

Des garde-fous pour réduire les erreurs et orchestrer plusieurs agents

La croissance de l’IA générative en entreprise s’accompagne d’un problème bien connu : un modèle peut formuler une réponse plausible, bien rédigée, mais factuellement incorrecte. Ces erreurs sont couramment appelées « hallucinations ». Elles ne sont pas nécessairement des inventions délibérées, mais elles peuvent devenir problématiques lorsqu’un assistant est utilisé dans la relation client, l’analyse de documents ou l’aide à la décision.

AWS ajoute à Bedrock des contrôles de raisonnement automatisés. Leur vocation est d’atténuer les erreurs factuelles de l’IA en apportant une couche de vérification supplémentaire. L’annonce ne signifie pas qu’un outil peut garantir l’absence totale d’informations erronées. En revanche, elle illustre une évolution importante du marché : les fournisseurs ne se contentent plus de proposer des modèles puissants, ils ajoutent des mécanismes destinés à encadrer leurs réponses.

Amazon met également en avant la collaboration multi-agents. Dans ce type d’organisation, plusieurs agents logiciels, c’est-à-dire plusieurs systèmes pilotés par l’IA et affectés à un rôle, peuvent contribuer à une même tâche complexe. L’un peut rechercher des informations, un autre les organiser, un troisième préparer une réponse ou vérifier le respect de règles définies par l’entreprise.

Cette approche ne dispense pas de paramétrage ni de contrôle humain. Elle peut toutefois mieux découper certains processus qui seraient difficiles à confier à un unique assistant. Dans un environnement professionnel, le défi consiste à définir clairement le périmètre de chaque agent, les données auxquelles il accède et les conditions dans lesquelles une personne doit reprendre la main.

La distillation, un levier pour réduire coûts et délais de réponse

AWS annonce aussi un outil baptisé Model Distillation. La distillation de modèles consiste à créer, à partir d’un modèle plus grand, une version plus petite adaptée à une tâche précise. L’idée est de conserver un niveau de résultat approprié pour cet usage ciblé tout en demandant moins de ressources informatiques lors de l’inférence.

Selon AWS, cet outil peut permettre d’obtenir des modèles spécialisés jusqu’à 500 % plus rapides et de réduire les coûts jusqu’à 75 % par rapport aux modèles d’origine. Ces chiffres sont annoncés pour des cas d’usage spécifiques : ils ne constituent donc pas une garantie universelle pour tous les modèles, toutes les données ni toutes les applications.

La promesse est particulièrement pertinente pour la génération augmentée de récupération, souvent appelée RAG. Dans ce schéma, l’application recherche d’abord des informations dans une base documentaire de l’entreprise, puis les transmet au modèle afin qu’il formule une réponse en s’appuyant sur ce contexte. Un modèle distillé pourrait être suffisant pour certaines étapes répétitives de ce processus, par exemple classifier une demande, extraire une information ou rédiger une réponse selon un format établi.

Réduire la taille d’un modèle peut améliorer la vitesse et les dépenses, mais implique un arbitrage. Un modèle plus compact n’est utile que s’il conserve une qualité suffisante dans le périmètre choisi. Avant de le déployer, une entreprise doit donc tester ses résultats sur ses propres requêtes, ses documents et ses exigences de sécurité.

Bedrock et SageMaker, deux briques complémentaires chez AWS

Les annonces de re:Invent 2024 ne se limitent pas à Bedrock. AWS a aussi présenté SageMaker Unified Studio, un environnement destiné à faciliter l’accès et l’analyse des données à l’échelle de l’entreprise, en réunissant des capacités de machine learning et d’analyse.

Bedrock et SageMaker répondent à des besoins qui peuvent se croiser, sans se confondre. Bedrock se concentre sur l’accès et l’intégration de modèles de fondation pour bâtir des applications génératives. SageMaker s’inscrit plus largement dans les activités de données et de machine learning, auxquelles AWS ajoute ici un espace unifié.

Pour les utilisateurs de SageMaker HyperPod, AWS annonce de nouvelles fonctions destinées à réduire le temps d’entraînement de modèles populaires. Le groupe évoque également des plans d’entraînement flexibles qui peuvent réduire les coûts jusqu’à 40 %, en cherchant à mieux utiliser les ressources de calcul disponibles.

La distinction est importante : utiliser un modèle déjà disponible dans Bedrock relève surtout de l’inférence et de l’intégration applicative. Entraîner ou adapter des modèles à grande échelle relève d’une démarche plus lourde, qui nécessite des données, une infrastructure et un suivi technique adaptés. Les deux approches peuvent coexister dans une même organisation.

Trainium 2 et UltraServers, la bataille du calcul s’intensifie

L’IA générative repose sur des capacités de calcul considérables. Pour réduire sa dépendance aux seuls processeurs graphiques et proposer une alternative intégrée à son cloud, AWS développe ses propres puces d’IA, sous la marque Trainium.

Les instances AWS Trainium 2, présentées l’année précédente, deviennent accessibles à un public plus large. AWS les présente comme une offre plus efficace en coût et avance une performance supérieure de 30 à 40 % par rapport à des solutions précédentes basées sur GPU. Comme pour les autres comparaisons de performance, le bénéfice concret dépendra des modèles exécutés, de la configuration et de la charge de travail.

Amazon annonce aussi les EC2 Trn2 UltraServers, des serveurs pensés pour les charges de travail d’IA. Chaque système comprend 64 puces Trainium 2. Cette annonce illustre la compétition qui se joue désormais sur toute la chaîne technique : modèles, logiciels, outils de déploiement, serveurs et puces spécialisées sont devenus indissociables.

Pour les clients, l’enjeu n’est pas uniquement d’obtenir plus de puissance. Une infrastructure plus adaptée peut aussi raccourcir l’entraînement des modèles et rendre économiquement viable une application qui serait trop coûteuse avec d’autres ressources. C’est précisément sur ce terrain du rapport entre coût, vitesse et disponibilité qu’AWS cherche à se différencier.

100 millions de dollars de crédits cloud pour l’éducation

AWS a par ailleurs annoncé un engagement de 100 millions de dollars en crédits cloud sur cinq ans en faveur d’organisations éducatives. Cette enveloppe doit les aider à développer des solutions d’apprentissage numérique reposant sur les services du groupe.

Amazon cite notamment la création d’assistants IA, de plateformes d’apprentissage et d’autres outils numériques. Pour les établissements, les crédits cloud peuvent alléger le coût d’expérimentation et de déploiement. Ils les inscrivent aussi dans l’écosystème technique d’AWS, qui fournit l’infrastructure, les services de données et les outils d’IA utilisés par ces projets.

L’intérêt pédagogique potentiel est réel, mais il soulève également des questions concrètes : protection des données des élèves et des étudiants, fiabilité des réponses produites, formation des équipes et conditions d’accès équitable aux outils. Le financement de l’infrastructure ne remplace pas ces choix de gouvernance.

Ce qu’il faut surveiller après les annonces de re:Invent 2024

La multiplication des modèles dans Bedrock donnera davantage de choix aux entreprises, mais aussi davantage de décisions à prendre. Elles devront comparer les résultats, les coûts, la rapidité et les garanties de chaque modèle avant d’en faire un composant de leurs services. Un catalogue très large est un avantage seulement si les équipes disposent de critères clairs pour sélectionner les outils adaptés.

La distillation et les infrastructures Trainium 2 seront également à observer. Les promesses de rapidité et d’économies annoncées par AWS sont attractives, notamment pour les usages récurrents à fort volume. Leur valeur se mesurera toutefois dans les déploiements réels, où la qualité des résultats, les données utilisées et l’intégration aux processus existants comptent autant que la puissance de calcul.

Enfin, les contrôles de raisonnement automatisés et les systèmes multi-agents montrent que l’IA générative entre dans une phase plus opérationnelle. La question n’est plus seulement de produire un texte ou une image convaincante. Il s’agit de bâtir des applications capables de fonctionner avec des règles, des données internes, des coûts maîtrisés et des mécanismes de vérification proportionnés aux risques du métier.