Modèles et plateformes d’IA
AWS ajoute des outils de préparation des données par l’IA à Amazon SageMaker AI

Points clésSageMaker AI regroupe désormais la génération, l'évaluation, la transformation et…
Voir plus
- SageMaker AI regroupe désormais la génération, l'évaluation, la transformation et l'étiquetage dans un seul chemin de jeu de données géré.
- L'étiquetage automatique utilise l'accord des modèles comme score de confiance pour acheminer les lignes incertaines vers des réviseurs humains.
- Les tâches de production de données enregistrent les sorties dans un hub de compte afin que les jeux de données passent entre les étapes par ARN.
AWS a annoncé de nouvelles fonctionnalités de préparation des données par l’IA pour Amazon SageMaker AI le 17 novembre 2026, avec l’ajout de la génération de données synthétiques, de l’évaluation de la qualité, de la transformation, de l’étiquetage automatique et de la vérification humaine aux processus de développement des modèles. Ces outils sont généralement disponibles dans les régions USA Est (Virginie du Nord) et USA Ouest (Oregon).
Cette version regroupe des opérations qui sont souvent réparties entre différents outils d’étiquetage, scripts de génération et tâches de validation. Une équipe peut utiliser une seule fonctionnalité dans un processus existant ou en enchaîner plusieurs, tout en pouvant examiner et modifier les spécifications et le code à mesure que le jeu de données se rapproche de l’entraînement ou de l’évaluation.
Génération, nettoyage et formats d’entraînement
La génération de données synthétiques crée, à partir d’une spécification, des enregistrements destinés à l’entraînement, à l’évaluation et aux tests, avec la possibilité de les ancrer dans des données d’amorçage et des documents. Elle produit également un pipeline fondé sur du code que les utilisateurs peuvent examiner, modifier, réutiliser et adapter à grande échelle, ce qui permet aussi d’inspecter le processus de génération lui-même.
L’évaluation de la qualité peut appliquer les règles métier du client, des métriques intégrées et des métriques d’évaluation par un LLM faisant office de juge, dans le cadre desquelles un modèle de langage évalue les données. Elle peut repérer les doublons et les quasi-doublons, ainsi que détecter le bruit dans les étiquettes ou la fuite de réponses. La transformation peut ensuite remanier les enregistrements à l’aide de code généré, de fonctions intégrées de déduplication, de fusion, de division et de filtrage, ou de code Python fourni par l’utilisateur et exécuté à grande échelle.
Dans l’exemple d’AWS, la chaîne d’entraînement met les données obtenues en forme pour le réglage fin supervisé, l’optimisation directe des préférences ou l’apprentissage par renforcement, en vérifie la qualité, puis passe à la personnalisation des modèles SageMaker AI. Cette séquence place la validation du jeu de données avant les ressources de calcul consacrées à l’entraînement, donnant ainsi aux équipes la possibilité de corriger les enregistrements défectueux avant un cycle d’entraînement.
Les scores de confiance alimentent la vérification humaine
L’étiquetage automatique peut démarrer à partir d’un jeu de données non étiqueté, d’un petit ensemble d’amorçage étiqueté ou sans aucune étiquette. Les tâches intégrées comprennent la classification, la reconnaissance d’entités nommées, l’extraction de réponses à des questions, l’évaluation ordinale et la synthèse ; il est également possible de définir des tâches personnalisées. Une courte spécification d’étiquetage est validée à l’aide des exemples de l’utilisateur avant le traitement de l’ensemble du jeu de données.
Pour les tâches comportant un ensemble fixe de réponses possibles, plusieurs modèles étiquettent chaque ligne comme le ferait un jury, et leur degré d’accord détermine le score de confiance de la ligne. Les lignes dont le score est inférieur au seuil choisi sont placées dans une file de vérification de SageMaker Studio reposant sur l’édition communautaire libre de Label Studio. Des experts externes du domaine peuvent les corriger dans l’application de vérification ; ces corrections sont réinjectées dans le processus d’étiquetage automatique, et les équipes peuvent générer des métriques de consensus et des rapports d’étiquetage.
Tâches gérées et transfert des jeux de données
Les développeurs peuvent lancer ces étapes à l’aide du SDK Python SageMaker ou fournir la compétence AWS AI-ML à un agent de programmation afin qu’il les sélectionne et les exécute depuis SageMaker Studio JupyterLab, Kiro ou un environnement de développement intégré local. La documentation de SageMaker AI indique qu’il faut utiliser la version 3.30.0 ou une version ultérieure du SDK et une DataPreparer classe dotée de generate(), evaluate() et transform() méthodes. La generate() méthode prend en charge la génération de données synthétiques et l’étiquetage automatique.
La génération synthétique, l’étiquetage automatique, l’évaluation de la qualité et la transformation s’exécutent sous forme de tâches gérées par SageMaker. Les tâches qui produisent des données écrivent les enregistrements dans Amazon S3 et les enregistrent dans un hub de compte sous forme de DataSet contenu. Pour ces résultats, l’objet DataSet du SDK porte un nom de ressource Amazon, ou ARN, qui peut être transmis à l’étape suivante. La transformation publie les données dans le même hub que celui de ses données d’entrée, généralement sous la forme d’une nouvelle version du jeu de données ; l’évaluation de la qualité, en revanche, écrit les résultats dans S3 sans enregistrer un autre jeu de données.
L’assistant de programmation rédige les spécifications, vérifie l’environnement et demande une approbation avant d’exécuter une tâche ou de créer des ressources. Il peut également enregistrer les exécutions de tâches sous forme de bloc-notes ou de script, créant ainsi un artefact réutilisable qui peut être exécuté à nouveau.
Le processus utilise un rôle d’exécution AWS Identity and Access Management contrôlé par le client. Les données sources, les jeux de données générés et les étiquettes restent dans les propres compartiments S3 du client, dans la région AWS sélectionnée, de sorte que le stockage et l’accès respectent les autorisations et l’emplacement choisis par le client.
Splunk, une entreprise de Cisco, a utilisé la génération de données synthétiques lors du développement de modèles d’évaluation pour son produit Agent Observability. Yash Sheth, directeur de l’ingénierie pour Splunk Agent Observability, a déclaré que ces outils avaient rapidement produit des jeux de données statistiquement représentatifs tout en préservant les schémas dont dépendent les modèles, et que leur intégration à SageMaker avait réduit le travail de préparation des données pour les spécialistes des données et les clients.
Pour les développeurs, le changement opérationnel tient au fait que la génération, la vérification et la correction peuvent alimenter le développement des modèles en passant par un seul parcours de jeu de données géré. AWS a associé cette automatisation à des artefacts consultables, à des demandes d’approbation et à des enregistrements S3 conservés par les clients, afin que la maîtrise de la production des données reste intégrée au processus de préparation.












