Chapitre 3 : Formation infonuagique (AWS, GCP, Azure)

Comparaison des plateformes

Fonctionnalité	AWS SageMaker	GCP Vertex AI	Azure ML
Cahiers	✅	✅	✅
AutoML	✅	✅	✅
Pipelines	✅	✅	✅
Spot/Préemptible	✅	✅	✅
Intégration MLflow	✅	✅	✅

Exemple AWS SageMaker

import sagemaker
from sagemaker.pytorch import PyTorch

estimator = PyTorch(
    entry_point='train.py',
    source_dir='src/',
    role=sagemaker.get_execution_role(),
    instance_count=2,
    instance_type='ml.p3.2xlarge',
    framework_version='2.0',
    py_version='py310',
    hyperparameters={
        'epochs': 10,
        'batch-size': 32,
        'learning-rate': 0.001
    },
    use_spot_instances=True,
    max_wait=3600,  # Max wait time for spot
    checkpoint_s3_uri='s3://bucket/checkpoints/'
)

estimator.fit({'training': 's3://bucket/data/train/'})

Conseils pour l'optimisation des coûts

1. Utilisez des instances spot/préemptibles - Économies de 60-90 %
2. Dimensionnez correctement les instances - Ne surprovisionnez pas
3. Arrêt automatique des cahiers - Évitez les frais d'inactivité
4. Utilisez le point de contrôle - Reprenez la formation interrompue

---

Suivant : Quiz Module 5