AWS muscle SageMaker avec des données et un modèle temporel natifs

AWS ajoute à SageMaker AI des outils de génération, d’évaluation et de transformation de données, tout en rendant disponible un modèle temporel via JumpStart. Les usages visent autant la préparation des jeux de données que des cas opérationnels comme le support IT.

AWS a annoncé le 17 novembre 2026 deux nouveautés liées à SageMaker AI : des capacités de préparation de données intégrées et la disponibilité d’OpenTSLM-Flamingo Gemma 3 4B dans JumpStart. La première vise à simplifier la création, le contrôle et l’annotation de jeux de données ; la seconde apporte un modèle capable d’interpréter des séries temporelles avec du texte, utile pour des cas comme la maintenance ou le support IT. L’enjeu est très concret : réduire le bricolage entre plusieurs outils, tout en gardant la main sur les données et les étapes de validation.

Des données jusqu’au modèle, sans quitter le même flux

Avec SageMaker AI, AWS regroupe désormais la génération de données synthétiques, l’évaluation qualité, la transformation, l’auto-étiquetage et la revue humaine dans un chemin unique. Les équipes peuvent enchaîner ces étapes ou n’en utiliser qu’une, avec des spécifications et du code inspectables à chaque passage. Cette approche cible un problème bien connu des équipes data : les jeux de données circulent souvent entre scripts maison, outils d’annotation et contrôles séparés, ce qui ralentit les itérations.

La génération synthétique produit des enregistrements pour l’entraînement, l’évaluation ou les tests à partir d’une spécification, éventuellement nourrie par des données d’amorçage et des documents. L’évaluation peut vérifier des règles métier, des métriques intégrées et des métriques de type LLM-as-a-judge, où un modèle juge la qualité des données. Ensuite, la transformation peut dédupliquer, fusionner, filtrer ou reformater les entrées via du code généré ou du Python fourni par l’utilisateur. Le tout reste exécutable à l’échelle du service, ce qui évite à l’équipe de jouer les déménageurs de CSV pendant trois jours.

Quand l’auto-étiquetage renvoie les cas douteux à l’humain

Le volet auto-labeling fonctionne à partir d’un jeu sans étiquettes, d’un petit échantillon déjà annoté, ou même sans labels initiaux. AWS prend en charge des tâches comme la classification, la reconnaissance d’entités nommées, la question-réponse extractive, l’évaluation ordinale et le résumé, avec possibilité de définir des tâches personnalisées. Pour les problèmes à réponses fermées, plusieurs modèles annotent chaque ligne et leur niveau d’accord sert de score de confiance ; les cas sous le seuil choisi basculent ensuite vers une revue humaine dans SageMaker Studio, via Label Studio Community Edition.

Les corrections de spécialistes reviennent dans le circuit d’auto-étiquetage, ce qui permet de produire des métriques de consensus et des rapports d’annotation. AWS précise aussi que les jobs de génération, d’auto-labeling, d’évaluation et de transformation sont gérés par SageMaker, tandis que les données générées sont stockées dans les buckets S3 du client, dans la région AWS choisie. En pratique, l’automatisation progresse sans faire sortir les jeux de données du périmètre contrôlé par le client.

OpenTSLM-Flamingo Gemma 3 4B passe en production, mais sous contraintes

Dans le même mouvement, AWS a rendu disponible OpenTSLM-Flamingo Gemma 3 4B dans SageMaker JumpStart, son hub de modèles prêts à déployer. Ce modèle de 5,24 milliards de paramètres, qui combine Gemma 3 4B avec un encodeur de séries temporelles et des couches de cross-attention, peut être déployé sur un endpoint SageMaker AI en temps réel dans l’environnement AWS du client. Son poids occupe environ 10,5 Go de mémoire GPU en bfloat16, avec un déploiement par défaut sur une instance ml.g6.2xlarge équipée d’un NVIDIA L4 de 24 Go.

OpenTSLM est conçu pour interpréter des mesures numériques avec du texte, comme des journaux de maintenance, des nouvelles de marché ou des observations d’ingénieurs, puis produire des explications en langage naturel. La version Flamingo utilise un Perceiver Resampler pour créer une représentation latente de taille fixe, puis du gated cross-attention pour l’intégrer au modèle de langage. Cette architecture limite la mémoire utilisée, mais elle ne garantit pas qu’un événement bref survivra intact dans un enregistrement très long ; AWS recommande donc de tester des fenêtres représentatives, de conserver une résolution suffisante pour les événements courts et d’indiquer unités, intervalles d’échantillonnage et périodes d’observation.

Le support IT comme terrain d’essai

AWS illustre l’usage avec Spark, l’agent IT personnel de Nexthink. Le workflow combine des mesures récentes de CPU, mémoire, disque, stabilité applicative et connectivité, plus des événements horodatés, la configuration des appareils et les versions logicielles. Le modèle fournit alors un résumé d’état, un contrôle recommandé, une action proposée et un résultat attendu que Spark peut vérifier.

Dans l’exemple du manque d’espace disque, le système relie la baisse d’espace libre, la hausse de la file disque et la fréquence des blocages applicatifs à des symptômes comme des lenteurs ou des difficultés d’enregistrement. Spark vérifie ensuite si un nettoyage approuvé par l’IT est approprié, montre ce qui serait supprimé et demande confirmation avant d’agir. Si le problème persiste, il peut basculer vers un support humain. Le décor est sobre, mais la promesse est claire : passer d’une alerte brute à une action guidée.

Ce que disent les chiffres

  • 45,9 % — précision après fine-tuning sur 135 questions ARFBench retenues.
  • 5,0 % — précision avant fine-tuning sur les mêmes questions ARFBench.
  • 750 — questions-réponses à choix multiples dans ARFBench.
  • 142 — séries temporelles issues de 63 incidents réels internes.
  • 60 secondes — limite d’appel temps réel sur l’endpoint par défaut AWS.

Pourquoi ce double mouvement compte

Ces annonces racontent la même stratégie sous deux angles. D’un côté, AWS tente de réduire la friction autour de la donnée d’entraînement, là où se jouent souvent la qualité et la vitesse d’itération. De l’autre, la plateforme pousse un modèle temporel vers un usage opérationnel, avec un packaging plus simple pour les équipes qui veulent traiter des signaux métiers sans construire leur propre pile de service. Pour les entreprises, le sujet n’est pas seulement la performance du modèle ; c’est aussi la part du travail qui disparaît entre la collecte, la vérification et la mise en production.

Le cadre reste toutefois borné. Les appels temps réel sont limités à 60 secondes, la taille de requête à 6 Mo, et le modèle s’appuie sur des fenêtres d’analyse précises plutôt que sur une mémoire illimitée. AWS recommande aussi d’accepter les Gemma Terms of Use pour le déploiement du modèle JumpStart. Autrement dit, la promesse est celle d’une intégration plus fluide, pas d’un modèle qui comprend tout, partout, tout le temps.

À lire