Récapitulation et examen final

Dix modules pour porter un modèle de résiliation télécom de zéro à un système surveillé sur AWS SageMaker. Voici le cours condensé, les fils qui le traversent, puis les modalités de l'examen final.

Le cours d'un coup d'œil

Module	L'essentiel à retenir
1. Panorama	Services gérés facturés à la seconde ; rôle IAM minimal ; deux causes de facture surprise identifiées dès le départ
2. Studio	Interface JupyterServer légère et noyaux KernelGateway sur la vraie machine ; arrêt automatique à 60 min obligatoire
3. Données et Feature Store	Parquet sur S3, préfixes datés, chiffrement SSE-KMS ; magasin en ligne et hors ligne pour aligner entraînement et inférence
4. Entraînement et XGBoost	TrainingJob éphémère avec l'algorithme intégré ; Spot avec max_wait ≥ max_run et point de reprise pour éviter la perte
5. Mode script	Variables SM_MODEL_DIR, SM_CHANNEL_TRAIN, SM_NUM_CPUS ; metric_definitions pour capter les métriques ; local pour itérer
6. Réglage automatique	Stratégie Bayesian, échelle Logarithmic pour eta, jeu de test distinct pour ne pas se croire meilleur qu'on n'est
7. Points de terminaison	Model/EndpointConfig/Endpoint séparés ; sans serveur en dessous de 1-2 M req/mois, temps réel au-delà
8. Transformation par lots	MultiRecord + max_payload pour le débit ; join_source="Input" pour ne jamais perdre l'identifiant
9. Pipelines et registre	ConditionStep avec PropertyFile bloque les modèles en régression ; PendingManualApproval par défaut au registre
10. Surveillance et facture	Model Monitor sur capture 20 % ; AWS Budgets avec alerte à 80 % ; cinq causes de facture surprise à connaître par cœur

Les fils qui traversent le cours

Le contrat commun est model.tar.gz sur S3. Un entraînement écrit ce fichier, un point de terminaison le lit, une transformation par lots le lit, un enregistrement au registre le référence, un pipeline le fait passer d'une étape à l'autre. C'est cette uniformité qui rend SageMaker cohérent malgré la variété de ses services : au fond, tout le cours consiste à produire, versionner et servir cet artefact.

La séparation entre régime éphémère et régime permanent structure la facture. Les tâches d'entraînement, le réglage automatique, la transformation par lots et les étapes de pipeline sont éphémères : ils démarrent, travaillent, s'arrêtent, sans intervention. Les carnets Studio et les points de terminaison temps réel sont permanents : tant que vous ne les éteignez pas, ils facturent. Toutes les surprises de facture se trouvent dans le second régime, ce qui fait de l'arrêt automatique (module 2) et de la suppression des endpoints orphelins (module 7) les deux gestes qui rapportent le plus.

Le rôle IAM d'exécution est un contrat, pas une case à cocher. Il détermine ce que le conteneur peut lire, écrire, et logger. La politique AmazonSageMakerFullAccess est un raccourci de développement qui n'a pas sa place en production. Le module 1 en donne le minimum viable en quatre autorisations ; les modules suivants s'y adossent sans jamais avoir à le rouvrir.

Le pipeline et le registre ne sont pas des lourdeurs, ils sont l'auditabilité. Un modèle déployé « à la main » depuis un carnet marche exactement pareil qu'un modèle promu par un pipeline avec approbation au registre. La différence n'est visible qu'à l'incident : trois mois plus tard, quand un client se plaint d'un mauvais score, qui a validé quoi et quand ? La chaîne pipeline → registre → approbation → déploiement est la seule qui offre cette réponse en 30 secondes.

Surveiller n'est pas alerter au hasard. Model Monitor sur la qualité des données produit des rapports horaires. CloudWatch Alarms transforme les rapports en messages. AWS Budgets complète le tout par un garde-fou financier indépendant. La convention de tags par projet et environnement rend la facture ventilable en 30 secondes ; sans elle, tout dérapage se paye pendant un mois avant qu'on ne le voie.

L'examen final

L'examen comporte 40 questions couvrant les dix modules : positionnement de chaque service SageMaker et de son modèle de facturation, choix du rôle IAM minimum, organisation des données sur S3 et lecture des canaux, écriture d'une tâche d'entraînement intégrée et personnalisée, arbitrages Spot contre à la demande, variables d'environnement du mode script, définition d'un réglage bayésien avec plage logarithmique, choix entre temps réel et sans serveur selon le trafic, mécanique de la transformation par lots avec join_source, structure d'un pipeline avec condition sur métrique, activation et lecture de Model Monitor, et diagnostic des cinq causes de facture surprise.

Plusieurs questions sont des situations à diagnostiquer : un pipeline dont la condition ne se déclenche jamais, un point de terminaison qui répond à GET /ping mais échoue sur POST /invocations, un tuner qui « bat » systématiquement la ligne de base sans améliorer la production, un fichier batch livré sans identifiants, un carnet Studio à 300 $/mois qui n'a exécuté aucune cellule depuis dix jours. C'est le jugement qui est évalué, pas la récitation d'API.

En cas de réussite, votre attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme.

Avant de commencer

Reprenez le tableau ci-dessus et, pour chaque ligne, demandez-vous « comment cette décision se traduit-elle dans la facture ? ». Si vous savez dire pourquoi un pipeline qui échoue silencieusement est pire qu'un pipeline qui casse, pourquoi le batch est 30 à 100 fois moins cher qu'un endpoint pour scorer 5 millions de lignes, et quels sont les cinq oublis qui reviennent dans tous les audits, vous êtes prêt. Bonne chance !

Examen final

Prêt à valider ce cours ?

40 questions tirées au hasard dans la banque du cours · seuil de réussite 70 % · certificat PDF vérifiable délivré immédiatement en cas de réussite.

Commencer l'examen

Connexion à votre compte InSkillML et abonnement actif requis. Vous pouvez aussi lancer l'examen depuis Mes cours.