Leçon 2 — Les plateformes
Ce qu'une plateforme managée apporte réellement
Avant de comparer, il faut savoir ce qu'on compare. Les trois grandes plateformes — Amazon SageMaker, Google Vertex AI et Azure Machine Learning — couvrent les mêmes six fonctions, et ce sont exactement les besoins identifiés dans le cours MLOps.
Un environnement de travail : des notebooks managés, préinstallés, avec accès aux données et aux GPU sans configuration.
Des travaux d'entraînement : vous décrivez un travail, la plateforme provisionne, exécute, enregistre les résultats et éteint les machines. C'est la fonction la plus rentable, parce qu'une machine oubliée coûte plus cher que tout le surcoût de la plateforme.
Un suivi d'expériences et un registre de modèles : la traçabilité décrite dans la leçon sur la reproductibilité, intégrée.
Des points de terminaison d'inférence : le déploiement d'un modèle derrière une interface, avec mise à l'échelle automatique et gestion des versions.
Des pipelines : l'enchaînement automatisé préparation, entraînement, évaluation, déploiement.
De la surveillance : détection de dérive, journalisation des prédictions, tableaux de bord.
La question à se poser n'est donc pas « laquelle est la meilleure » mais « ai-je besoin de ces six fonctions ». Si vous entraînez un modèle par trimestre, un script et un conteneur suffisent.
Les trois grandes, honnêtement
Amazon SageMaker
La plus ancienne et la plus complète. Son catalogue de fonctionnalités est le plus large, ce qui est à la fois sa force et son défaut : la surface d'apprentissage est importante, et plusieurs façons de faire la même chose coexistent pour des raisons historiques.
Ce qui la distingue : la profondeur de l'intégration avec le reste d'AWS, l'étendue des options de calcul, et un outillage mature pour l'entraînement distribué à grande échelle.
Ce qui gêne : la complexité initiale, et une facturation dont il est facile de perdre le fil — les notebooks managés et les points de terminaison sont les deux pièges classiques.
Google Vertex AI
La plus cohérente des trois. Google a refondu son offre pour unifier ce qui était dispersé, et le résultat est plus lisible.
Ce qui la distingue : l'intégration native avec BigQuery, qui simplifie beaucoup les projets où les données sont déjà dans l'entrepôt ; un AutoML solide ; et des TPU, les accélérateurs conçus par Google, avantageux sur certaines charges de deep learning à grande échelle.
Ce qui gêne : un historique de changements de produits qui a laissé des traces dans la documentation, et un écosystème d'intégrations tierces moins étendu qu'AWS.
Azure Machine Learning
La plus intégrée à l'entreprise. Si votre organisation vit dans l'écosystème Microsoft — annuaire d'identités, gouvernance, outils de développement —, l'alignement est immédiat.
Ce qui la distingue : la gestion des identités et des droits, qui est souvent la partie la plus pénible d'un projet en grande entreprise et qui est ici la plus naturelle ; et un partenariat privilégié donnant accès à des modèles de pointe via Azure OpenAI Service.
Ce qui gêne : une ergonomie parfois lourde, et des concepts propres à Azure qui demandent un temps d'adaptation.
Le tableau comparatif, avec ses limites
| SageMaker | Vertex AI | Azure ML | |
|---|---|---|---|
| Maturité | la plus ancienne | refondue récemment | mature |
| Étendue fonctionnelle | la plus large | cohérente | large |
| Courbe d'apprentissage | raide | modérée | modérée |
| Intégration données | S3, Redshift | BigQuery, très fluide | Fabric, Synapse |
| Accélérateurs spécifiques | large choix GPU | TPU | large choix GPU |
| Gestion des identités | IAM, puissant et verbeux | IAM Google | Entra ID, le plus naturel en entreprise |
| Accès aux grands modèles | Bedrock | Gemini | Azure OpenAI Service |
| AutoML | correct | le plus abouti | correct |
Les écarts entre ces plateformes sont bien plus faibles que le coût de gérer un second fournisseur cloud : réseau, identités, facturation, conformité, contrats, et surtout compétences des équipes.
Dans l'immense majorité des cas, la bonne réponse est : la plateforme du cloud que votre organisation utilise déjà. Le choix de plateforme d'IA est une conséquence du choix de cloud, pas une décision indépendante. Les projets qui commencent par un comparatif de plateformes se posent presque toujours la mauvaise question.
Les autres options, qui méritent d'être connues
Databricks n'est pas un fournisseur cloud mais une plateforme de données qui s'exécute sur les trois. Son intérêt est réel quand vos données sont déjà dans un lac de données et que le traitement à grande échelle est central. Elle apporte MLflow, qu'elle a créé, et une bonne intégration entre traitement de données et machine learning.
Les fournisseurs GPU spécialisés — plusieurs acteurs proposent uniquement de la location de GPU — sont souvent nettement moins chers que les grands, parfois de moitié. Le compromis : moins de services managés, moins de garanties, une intégration à construire. Pour de l'entraînement pur avec une équipe compétente, l'économie est substantielle.
Les plateformes d'inférence de modèles proposent d'héberger et de servir des modèles ouverts sans gérer d'infrastructure. C'est une option intéressante entre l'API propriétaire et l'auto-hébergement complet.
Les hébergeurs européens et qualifiés ont un catalogue d'IA plus restreint, et ils répondent à des exigences de souveraineté que les grands ne peuvent pas toujours satisfaire juridiquement. Sur des données de santé ou des données publiques sensibles, ils sont souvent la réponse la plus sûre, et le sujet est traité en leçon 4.
AutoML : ce que c'est et quand c'est utile
Les trois plateformes proposent de l'AutoML : vous fournissez des données annotées, la plateforme essaie automatiquement plusieurs approches et vous rend le meilleur modèle.
Quand c'est réellement utile :
- Pour établir une référence rapide. En quelques heures, vous savez si le signal existe dans vos données. C'est une information précieuse avant d'investir des semaines.
- Pour des tâches standard sur données tabulaires ou images, où l'AutoML atteint souvent 90 à 95 % de ce qu'un spécialiste obtiendrait.
- Quand personne dans l'équipe ne fait de modélisation, et qu'un modèle correct vaut mieux que pas de modèle.
Quand ce n'est pas la bonne réponse :
- Quand la difficulté est dans les variables métier, ce qui est le cas le plus fréquent. L'AutoML essaie des algorithmes ; il ne comprend pas votre domaine et ne construira pas la variable qui change tout.
- Quand vous avez besoin d'expliquer finement le modèle.
- Quand le coût compte : l'AutoML consomme beaucoup de calcul pour explorer.
L'usage le plus intelligent : lancer l'AutoML en parallèle de votre propre travail, comme référence à battre. S'il vous bat, c'est une information utile sur votre approche.
Le multicloud, et pourquoi c'est mal posé
L'idée séduit les directions : ne pas dépendre d'un fournisseur, faire jouer la concurrence, répartir le risque.
En pratique, un vrai multicloud actif coûte très cher : il faut dupliquer les compétences, les configurations réseau, la gestion des identités, les processus de conformité, et payer les transferts de données entre clouds. Peu d'organisations en tirent un bénéfice supérieur à ce coût.
Ce qui fonctionne mieux, et qui est le vrai sujet : ne pas viser la portabilité totale, mais garder portables les éléments qui comptent et savoir ce que coûterait une sortie. C'est l'objet de la leçon 5.
Un cas où le multicloud est légitime : utiliser un fournisseur GPU spécialisé pour l'entraînement, moins cher, et le cloud principal pour tout le reste. La frontière est nette, le transfert de données est limité, et l'économie est réelle.
À retenir
- Les trois grandes plateformes couvrent les mêmes six fonctions ; la plus rentable est l'extinction automatique des machines après un travail.
- SageMaker est la plus complète et la plus complexe, Vertex AI la plus cohérente avec un atout BigQuery et TPU, Azure ML la mieux intégrée à l'entreprise Microsoft.
- Les écarts entre plateformes sont plus faibles que le coût d'un second fournisseur : prenez celle de votre cloud existant.
- Databricks pour les lacs de données, les fournisseurs GPU spécialisés pour l'entraînement économique, les hébergeurs qualifiés pour la souveraineté.
- L'AutoML est excellent comme référence rapide et ne construira pas vos variables métier.
- Le multicloud actif coûte cher ; visez la portabilité des éléments qui comptent, pas l'indépendance totale.
Leçon suivante — Le coût : comment la facture dérape →