2. Cas d’usage typiques : Le Machine Learning sur Mesure

Prenons l'exemple de la **détection de transactions frauduleuses** pour illustrer comment SageMaker est utilisé : 1. **Préparation des données (SageMaker Data Wrangler / Processing Jobs)** : - Collecter l'historique des transactions depuis un data lake S3. - Chaque transaction a des caractéristiques (`features`) : montant, heure, pays du marchand, type de carte, etc. - Créer de nouvelles features (`feature engineering`) : 'montant de la transaction par rapport à la moyenne du client', 'nombre de transactions dans la dernière heure'. - Les données sont nettoyées, normalisées et divisées en ensembles d'entraînement et de validation. 2. **Entraînement du modèle (SageMaker Training Jobs)** : - Utilisation d'un algorithme comme **XGBoost**, qui est très performant pour les données tabulaires. - Lancement d'un 'Training Job' sur une instance optimisée pour le calcul. SageMaker gère le provisionnement de l'instance, télécharge les données depuis S3, exécute le script d'entraînement, sauvegarde les artefacts du modèle (le fichier `model.tar.gz`) sur S3, puis détruit l'instance. 3. **Déploiement du modèle (SageMaker Endpoints)** : - Le modèle entraîné est déployé sur un 'Endpoint' en temps réel. - SageMaker provisionne une ou plusieurs instances, y déploie le modèle et expose une API HTTPS sécurisée. 4. **Inférence & Surveillance (SageMaker Model Monitor)** : - Lorsqu'une nouvelle transaction arrive, le système de paiement appelle l'API de l'endpoint SageMaker avec les caractéristiques de la transaction. - Le modèle renvoie une probabilité de fraude en quelques millisecondes. - **SageMaker Model Monitor** capture les données d'entrée et les prédictions pour détecter une éventuelle dérive du modèle ('model drift') au fil du temps. C'est ce cycle de vie complet que SageMaker est conçu pour orchestrer.