Graph Database et machine learning au menu de la conférence d’AWS

Cette semaine, Amazon Web Services (AWS) multiplient les annonces à l’occasion de sa conférence annuelle re:Invent. Le géant du cloud public a notamment levé le voile sur la préversion d’Amazon Neptune, un service géré de base de données orientée graphe. Par apport aux bases de données relationnelles traditionnelles, celles-ci se fondent sur la théorie des graphes et sont particulièrement utiles pour mettre au point des applications et services basés sur des masses de données connectées, contextuelles et relationnelles, explique AWS. Les exemples d’applications sont nombreux, allant des fonctionnalités pour réseaux sociaux, aux moteurs de recommandation, en passant par la détection de fraude et le séquençage génomique.

Par apport à des bases de données relationnelles traditionnelles, les développeurs n’ont plus besoin de modéliser les relations complexes. Neptune puisant dans les capacités d’un moteur conçu pour stocker des milliards de relations et traiter des requêtes en quelques millisecondes, promet AWS. En outre, le service étant entièrement en mode géré, le fournisseur prend en charge les tâches de maintenance, de mises à jour, de sauvegarder et de restauration.

Créer, entraîner et déployer des modèles de machine learning

AWS a par ailleurs annoncé un autre service entièrement managé, Amazon SageMaker. Celui-ci est dédié au déploiement de modèles de machine learning et s’inscrit dans les efforts actuels de certains fournisseurs de démocratiser la création de modèles d’intelligence artificielle (IA) auprès de développeurs de tous niveaux. On se souvient, par exemple, qu’Amazon et Microsoft ont lancé il y a peu la librairie de deep learning Gluon, permettant de bâtir des modèles de machine learning au moyen d’une API Python et de toute une gamme de composants de réseaux neuronaux.

Avec SageMaker, Amazon explique fournir un pipeline permettant de gérer un projet de création et de déploiement d’IA de bout en bout. Développeurs et data scientists peuvent faire appel ce service «pour créer, entraîner et héberger rapidement des modèles d'apprentissage automatique à grande échelle», explique Randall Hunt, Senior Technical Evangelist chez AWS. SageMaker fournit notamment des outils pour connecter rapidement les données d'apprentissage, sélectionner et optimiser les algorithmes (les 10 algorithmes d'apprentissage automatique les plus courants sont préinstallés et optimisés). Pour la phase d’entraînement, SageMaker met à disposition une console et propose aussi d’ajuster automatiquement un modèle, pour atteindre la précision la plus élevée possible.