Amazon AIF-C01: Fondamentaux de l'IA et du ML — Guide d'étude

By Laurynas Brazys · 30 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

Fait partie du AWS AI Practitioner AIF-C01 — Guide d’étude. Entraînez-vous avec des réponses vérifiées dans le centre d’examens Amazon, ou passez des tests chronométrés sur ExamRoll.io.

Concepts fondamentaux et types de modèles

La compréhension de la terminologie de base est essentielle pour des décisions d’architecture et de compromis solides. L’apprentissage supervisé associe des entrées à des sorties étiquetées et se divise en régression pour les cibles continues et en classification pour les classes discrètes ; la classification multiclasse (20 classes de gènes) par rapport aux décisions binaires modifie le choix du modèle et les fonctions de perte. L’apprentissage non supervisé trouve une structure dans les données non étiquetées par le biais du clustering et de la réduction de dimensionnalité pour la segmentation et la détection d’anomalies. Les familles d’algorithmes courantes incluent les modèles linéaires et les ensembles d’arbres (interprétables, rapides pour les données tabulaires), les méthodes à noyau (SVM) et les réseaux de neurones (flexibles, haute capacité pour les images, l’audio et le texte). Pour les tâches d’imagerie, les réseaux convolutifs ou les modèles de fondation de vision pré-entraînés (via Amazon SageMaker JumpStart ou Amazon Rekognition Custom Labels) dominent ; pour le texte, les architectures de type transformer alimentent les grands modèles de langage et de séquence. Les exigences d’interprétabilité poussent les praticiens vers des modèles plus simples ou des outils d’explicabilité tels que SageMaker Clarify. La sélection du modèle équilibre les performances prédictives, l’interprétabilité, la latence d’inférence et le coût : un modèle basé sur les arbres peut suffire pour la classification des gènes si la transparence est requise, tandis que les modèles profonds conviennent aux tâches d’imagerie ou de langage à haute dimensionnalité. Connaître ces familles et savoir quand réutiliser des modèles pré-entraînés par rapport à un entraînement à partir de zéro guide vers des solutions efficaces et conformes.

Cycle de vie du ML, gestion des données et des caractéristiques

Le cycle de vie du machine learning commence par la définition du problème, la collecte des données, l’étiquetage, l’ingénierie des caractéristiques (feature engineering), l’entraînement, la validation, le déploiement, le suivi et l’itération. Dans les environnements AWS, SageMaker orchestre de nombreuses étapes du cycle de vie : SageMaker Processing pour les transformations de données, SageMaker Feature Store pour le stockage centralisé des caractéristiques et leur service en ligne/hors ligne, et SageMaker Pipelines pour le CI/CD des flux de travail de modèles. La qualité des étiquettes et l’équilibre des classes sont des goulots d’étranglement fréquents ; investissez dans des pipelines d’annotation robustes ou utilisez SageMaker Ground Truth pour réduire les étiquettes bruitées et l’apprentissage actif pour concentrer l’effort humain. La traçabilité des caractéristiques (feature lineage) et les contrôles d’accès sont importants pour la reproductibilité et la gouvernance ; enregistrez les caractéristiques et les modèles dans SageMaker Model Registry et versionnez les jeux de données dans Amazon S3 avec des politiques de cycle de vie. Pour la production, incluez un suivi automatisé des modèles avec SageMaker Model Monitor pour détecter la dérive des données (data drift), la dérive des concepts (concept drift) et la dégradation de la précision, et intégrez des alertes via Amazon CloudWatch et AWS Lambda. Concevez des pipelines avec idempotence et capacité de reprise : utilisez des modèles événementiels (événements S3, Step Functions) et concevez le calcul et le stockage pour être évolutifs — entraînement sur des instances EC2/GPU ou Trainium, inférence sur des instances Inf1/Neptune/Graviton — en fonction des exigences de latence et de débit.

Évaluation, algorithmes et pièges courants

La sélection des métriques d’évaluation et des modèles de référence (baselines) est une pratique décisive. Pour les problèmes de classification, considérez la précision, le rappel, le score F1 et l’aire sous la courbe ROC ; pour le multiclasse, utilisez le rappel par classe et les moyennes macro/micro. L’évaluation de la régression utilise le RMSE, le MAE et le R-carré (R-squared). Pour le service en production, l’efficacité d’exécution est mesurée par la latence de queue (P95/P99) et le débit (requêtes par seconde), ainsi que par le coût par inférence. Les pièges typiques incluent le choix de la précision (accuracy) pour des jeux de données déséquilibrés, le surapprentissage (overfitting) par un réglage excessif des hyperparamètres sur les données de test, et la négligence de la calibration lorsque les probabilités sont utilisées pour des décisions métier. Utilisez la validation croisée et la validation sur un jeu de données réservé (holdout), et implémentez des modèles de référence (heuristiques simples) pour vous assurer que le ML apporte une valeur ajoutée. Lorsque les données étiquetées sont rares, utilisez l’apprentissage par transfert (transfer learning), l’augmentation de données pour les images, ou des approches semi-supervisées. Pour l’explicabilité et la conformité, associez des modèles opaques à des explicateurs post-hoc (SHAP, gradients intégrés) et intégrez SageMaker Clarify. Choix d’algorithmes courants sur AWS : XGBoost pour les données tabulaires avec un entraînement rapide sur SageMaker, les CNN pour les images via Torch/TensorFlow sur des instances GPU, et les transformers pour le texte en utilisant Hugging Face sur SageMaker ou les modèles de fondation de Bedrock pour la génération augmentée par récupération (retrieval-augmented generation).

Modèles de fondation, schémas de déploiement et sécurité

Les modèles de fondation accélèrent le développement mais introduisent des choix architecturaux et des considérations de sécurité distincts. Amazon Bedrock fournit un accès géré à plusieurs modèles de base et prend en charge le réglage fin (fine-tuning), les flux de travail de génération augmentée par récupération (RAG) et l’intégration avec des banques de vecteurs telles qu’Amazon OpenSearch Service (k-NN) ou Amazon Kendra pour la recherche sémantique. Choisissez entre le réglage fin (fine-tuning), le réglage par instructions (instruction-tuning) ou les adaptateurs légers en fonction de la taille des données et des besoins en matière de sécurité. Pour une inférence à faible latence et à haut débit, envisagez de déployer des modèles optimisés sur Amazon EC2 Inf1 (Inferentia) ou d’utiliser SageMaker Neo/Edge Manager pour compiler et héberger des modèles sur des appareils en périphérie (edge devices) ; l’inférence sur appareil avec la latence la plus faible possible nécessite la quantification et l’élagage (pruning) du modèle, ainsi qu’un runtime local via SageMaker Edge Manager ou AWS IoT Greengrass, au détriment de la taille et de la précision du modèle. Les schémas de sécurité incluent les points de terminaison VPC, AWS PrivateLink pour Bedrock, des rôles IAM stricts, le chiffrement S3 basé sur KMS pour les données sensibles et la journalisation d’audit. Pour réduire les hallucinations et les attaques par injection de prompt, mettez en œuvre des garde-fous (guardrails) : assainissement des entrées, modèles de prompts, filtres de réponse et vérifications par RLHF ou post-traitement. Surveillez l’utilisation et les appels d’API anormaux avec CloudTrail et mettez en œuvre une limitation de débit et une détection d’anomalies pour protéger l’accès au modèle et la confidentialité des données.

Problème pratique : Scénario d’utilisation

Scénario : GreenGene Labs utilise un environnement d’IA AWS avec Amazon S3 pour les données brutes, SageMaker pour le développement de modèles et Amazon Bedrock pour expérimenter avec des modèles de fondation. Ils conservent des métadonnées génomiques et cliniques sensibles sous des contrôles d’accès stricts et ont besoin d’une inférence évolutive pour les tableaux de bord de recherche.

Défi : Classifier des échantillons de gènes humains en 20 catégories avec une logique de décision transparente, maintenir la réutilisation des caractéristiques (features) entre les équipes et déployer une API surveillée à faible latence pour les chercheurs.

Approche recommandée :

Utiliser SageMaker Processing et Ground Truth pour préparer et étiqueter les données, en stockant les caractéristiques (features) organisées dans SageMaker Feature Store.
Entraîner des modèles interprétables (XGBoost, arbres de décision) dans SageMaker Training ; enregistrer les modèles dans SageMaker Model Registry et consigner leur lignage.
Déployer le meilleur modèle sur un point de terminaison (endpoint) SageMaker derrière un Application Load Balancer avec mise à l’échelle automatique (autoscaling) ; activer SageMaker Model Monitor pour la dérive et les alertes CloudWatch.
Pour l’expérimentation avec des représentations plus grandes, utiliser des modèles Bedrock ou Hugging Face pour les plongements (embeddings) et ajouter un index vectoriel OpenSearch pour la recherche par similarité ; combiner avec le modèle interprétable pour la classification finale.

Justification : La gestion centralisée des caractéristiques (features) et les pipelines reproductibles réduisent les fuites de données et accélèrent la collaboration, tandis que la priorisation des modèles interprétables répond aux besoins de transparence et que les plongements (embeddings) de Bedrock permettent une représentation plus riche sans sacrifier la gouvernance.

Tous les domaines · Concepts de l’IA générative →

Entraînez-vous sur ces questions → · Tests chronométrés sur ExamRoll.io →