IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)

Vous êtes nouveau sur Developpez.com ? Créez votre compte ou connectez-vous afin de pouvoir participer !

Vous devez avoir un compte Developpez.com et être connecté pour pouvoir participer aux discussions.

Vous n'avez pas encore de compte Developpez.com ? Créez-en un en quelques instants, c'est entièrement gratuit !

Si vous disposez déjà d'un compte et qu'il est bien activé, connectez-vous à l'aide du formulaire ci-dessous.

Identifiez-vous
Identifiant
Mot de passe
Mot de passe oublié ?
Créer un compte

L'inscription est gratuite et ne vous prendra que quelques instants !

Je m'inscris !

AWS présente une flopée de nouveaux services de bases de données et de ML,
Et annonce en Preview version RDS Custom pour Microsoft SQL Server et AWS DMS Fleet Advisor

Le , par Bruno

236PARTAGES

8  0 
AWS a présenté une flopée de nouveaux services de bases de données et d'apprentissage automatique lors de sa conférence Re:invent, notamment un service de migration ciblant chaque base de données d'une organisation. Swami Sivasubramanian, vice-président de l'apprentissage automatique chez Amazon a déclaré que « des clients nous ont dit que l'élaboration d'un plan de migration pour l'ensemble de leur parc de bases de données était un défi », l'hypothèse étant que les organisations veulent toutes leurs bases de données sur AWS si seulement elles peuvent trouver comment. « Aujourd'hui, nous lançons en Preview version AWS DMS Fleet Advisor », a-t-il déclaré, où DMS est le service de migration de bases de données.

Swami Sivasubramanian a partagé les points clés sur les données. Il a affirmé qu'Aurora, un service compatible avec MySQL ou PostgreSQL, est « 5 fois plus performant que MySQL et 3 fois plus performant que PostgreSQL et est toujours le service qui connaît la plus forte croissance dans l'histoire d'AWS. » Il s'est néanmoins inquiété du fait que « certains clients sont freinés dans leur migration vers des bases de données dans le cloud. » Il a présenté deux nouveaux services visant à faire passer une proportion encore plus grande des bases de données d'une entreprise sur le cloud AWS.


Le premier est RDS Custom for Microsoft SQL Server : il vient s'ajouter au service existant RDS (Relational Database Service) Custom for Oracle, et les deux services sont destinés aux clients possédants « des applications critiques telles que la suite Oracle E-Business, ou Microsoft Dynamics, ou SharePoint, qui ont été conçues pour fonctionner sur des bases de données commerciales avec des configurations très spécifiques. »

RDS Custom est un hybride entre RDS, où le client n'a pas d'accès direct au système d'exploitation, et l'exécution de SQL Server ou Oracle direction sur EC2, où chaque détail est de la responsabilité du client. RDS Custom permet un accès privilégié complet au système d'exploitation, ce qui permet d'installer des applications et des agents personnalisés, tout en offrant certains des avantages de RDS, tels que la récupération ponctuelle automatisée et la surveillance. Idéal, selon Sivasubramanian, pour des applications comme SharePoint, Dynamics, Pow.

DMS Fleet Advisor est une nouvelle fonctionnalité de AWS DMS qui automatise la planification de la migration pour une flotte entière de bases de données. DMS Fleet Advisor dresse automatiquement l'inventaire des bases de données sur site et de des serveurs d'analyse en transmettant les données sur site à Amazon S3. « Nous les analysons pour les faire correspondre avec le les données AWS approprié et personnalisons les plans de migration. Tout cela ne prend plus que quelques heures, a promis Amazon. Vous n'avez pas besoin de recourir à un outil tiers ou à un consultant en migration coûteux. »

Amazon DynamoDB annonce la nouvelle classe de table Amazon DynamoDB Standard-Infrequent

Re:invent a donné à AWS l’occasion de présenter de nouvelles fonctionnalités. DevOps Guru for RDS est un nouveau service permettant de détecter et d'analyser les problèmes de performance ou de fonctionnement d'Aurora. DynamoDB obtient une nouvelle classe de table d'accès fréquent qui, selon Amazon, pourrait réduire les coûts de jusqu'à 60 % pour les tables qui stockent des données rarement consultées.

DynamoDB est un service de base de données NoSQL propriétaire entièrement géré qui prend en charge les structures de données clé-valeur et de document et est proposé par Amazon dans le cadre du portefeuille Amazon Web Services. Amazon DynamoDB apporte la nouvelle classe de table Amazon DynamoDB Standard-Infrequent Access (DynamoDB Standard-IA). La classe de table DynamoDB Standard-IA est idéale pour les cas d'utilisation qui nécessitent un stockage à long terme de données rarement consultées, comme les journaux d'application, les anciens messages sur les réseaux sociaux, l'historique des commandes des boutiques en ligne et les succès passés dans les jeux.

Désormais, il est possible d’optimiser les coûts de des charges de travail DynamoDB en fonction des besoins de stockage et des modèles d'accès aux données des tables. La nouvelle classe de tables DynamoDB Standard-IA offre des coûts de stockage inférieurs de 60 % à ceux des tables DynamoDB Standard existantes, ce qui en fait l'option la plus rentable pour les tables dont le stockage est le coût dominant. La classe de tables DynamoDB Standard existante offre des coûts de débit inférieurs de 20 % à ceux de la classe de tables DynamoDB Standard-IA.

DynamoDB Standard reste la classe de table par défaut et l'option la plus rentable pour une grande variété de tables qui stockent des données fréquemment consultées et dont le débit est le coût dominant. Il estposible de basculer entre les classes de tables DynamoDB Standard et DynamoDB Standard-IA sans impact sur les performances, la durabilité ou la disponibilité des tables et sans modifier le code de l’application.

Amazon SageMaker Ground Truth Plus

Amazon SageMaker est une plateforme d'apprentissage automatique dans le cloud qui a été lancée en novembre 2017. SageMaker permet aux développeurs de créer, former et déployer des modèles d'apprentissage automatique. Basé sur l'open source JupiterLab, il est limité à un projet et à 15 Go de stockage, les utilisateurs peuvent sélectionner un runtime CPU ou GPU et l'utiliser jusqu'à 12 heures (CPU) ou 4 heures (GPU). Les fichiers sont persistants bien que les runtimes soient fermés après chaque session. La disponibilité n'est pas garantie et « l'extraction de cryptomonnaies est interdite ».

Un service appelé SageMaker Ground Truth Plus implique des personnes réelles, AWS promettant d'embaucher des experts pour étiqueter les données d'un client afin de construire un modèle. « Par exemple, si l’utilisateur a besoin d'experts médicaux pour étiqueter des images radiologiques, il est possible de le préciser dans les directives fournies à Ground Truth Plus. Le service sélectionnera alors automatiquement des étiqueteurs formés en radiologie pour étiqueter les données », peut-on lire aujourd'hui.

Par exemple, si vous avez besoin d'experts médicaux pour étiqueter des images radiologiques, vous pouvez le spécifier dans les directives que vous fournissez à Ground Truth Plus. Le service sélectionnera alors automatiquement des étiqueteurs formés en radiologie pour étiqueter vos données, et à partir de là, une main-d'œuvre experte formée à une variété de tâches d'apprentissage automatique commencera à étiqueter les données.

Ground Truth Plus permet d'automatiser l'étiquetage des données grâce à la technologie d'apprentissage automatique, ce qui améliore la qualité des données de sortie et réduit les coûts d'étiquetage des données. Il utilise un flux de travail d'étiquetage en plusieurs étapes comprenant des techniques d'd'apprentissage automatique pour l'apprentissage actif, le pré-étiquetage et la validation de la machine. Cela réduit le temps nécessaire à l'étiquetage des ensembles de données pour une variété de cas d'utilisation, notamment la vision par ordinateur et le traitement du langage naturel.


Enfin, Ground Truth Plus offre une transparence dans les opérations d'étiquetage des données et la gestion de la qualité grâce à des tableaux de bord interactifs et des interfaces utilisateur. Cela vous permet de suivre la progression des ensembles de données de formation à travers plusieurs projets, de suivre les mesures du projet telles que le débit quotidien, d'inspecter la qualité des étiquettes et de fournir un retour sur les données étiquetées.

Sivasubramanian a également présenté une nouvelle fonctionnalité pour Kendra, le service de recherche d'entreprise d'AWS. Apparemment, les clients ont eu du mal à créer une interface utilisateur pour Kendra. Désormais, l'Experience Builder permettra de créer une interface utilisateur en quelques clics et sans code.

En outre, Search Analytics fournit des données sur la façon dont Kendra est utilisé, et Custom Document Enrichment pré-traitera les documents avec une classification automatique, la conversion des images en texte et des métadonnées supplémentaires à l'aide de processus personnalisés. Faciliter le transfert des bases de données sur AWS est évidemment une bonne affaire pour l'entreprise. L'innovation consiste toutefois à rendre l'apprentissage automatique plus accessible, jusqu'à fournir des experts pour étiqueter les données.

Et vous ?

Seriez-vous prêt à faire migrer l'ensemble de votre parc de bases de données sur AWS ?

« Les organisations veulent toutes leurs bases de données sur AWS », partagez-vous cette affirmation d’Amazon ?

Aurora serait « 5 fois plus performant que MySQL et 3 fois plus performant que PostgreSQL », que vous suggère ces performances ?

Voir aussi :

AWS, la division cloud d'Amazon, pourrait à elle seule dépasser IBM en termes de revenus annuels, une fois qu'IBM se sera séparé de Kyndryl, sa branche d'infogérance

LocalStack, un émulateur de services cloud AWS, conçu pour exécuter des applications sur une machine locale

Cloud computing : des sommes record ont été dépensées en2019, avec AWS empochant plus du tiers des factures, les investissements dans le secteur étant de plus en plus importants

AWS présente Proton, le service de gestion des conteneurs, pour automatiser le développement et le déploiement des conteneurs et d'applications "serverless"

Une erreur dans cette actualité ? Signalez-nous-la !

Avatar de Jules34
Membre expérimenté https://www.developpez.com
Le 03/12/2021 à 8:52
Amazon SageMaker est une plateforme d'apprentissage automatique dans le cloud qui a été lancée en novembre 2017. SageMaker permet aux développeurs de créer, former et déployer des modèles d'apprentissage automatique. Basé sur l'open source JupiterLab, il est limité à un projet et à 15 Go de stockage, les utilisateurs peuvent sélectionner un runtime CPU ou GPU et l'utiliser jusqu'à 12 heures (CPU) ou 4 heures (GPU). Les fichiers sont persistants bien que les runtimes soient fermés après chaque session. La disponibilité n'est pas garantie et « l'extraction de cryptomonnaies est interdite ».

Un service appelé SageMaker Ground Truth Plus implique des personnes réelles, AWS promettant d'embaucher des experts pour étiqueter les données d'un client afin de construire un modèle. « Par exemple, si l’utilisateur a besoin d'experts médicaux pour étiqueter des images radiologiques, il est possible de le préciser dans les directives fournies à Ground Truth Plus. Le service sélectionnera alors automatiquement des étiqueteurs formés en radiologie pour étiqueter les données », peut-on lire aujourd'hui.

Par exemple, si vous avez besoin d'experts médicaux pour étiqueter des images radiologiques, vous pouvez le spécifier dans les directives que vous fournissez à Ground Truth Plus. Le service sélectionnera alors automatiquement des étiqueteurs formés en radiologie pour étiqueter vos données, et à partir de là, une main-d'œuvre experte formée à une variété de tâches ML commencera à étiqueter les données.

Ground Truth Plus permet d'automatiser l'étiquetage des données grâce à la technologie ML, ce qui améliore la qualité des données de sortie et réduit les coûts d'étiquetage des données. Il utilise un flux de travail d'étiquetage en plusieurs étapes comprenant des techniques de ML pour l'apprentissage actif, le pré-étiquetage et la validation de la machine. Cela réduit le temps nécessaire à l'étiquetage des ensembles de données pour une variété de cas d'utilisation, notamment la vision par ordinateur et le traitement du langage naturel.
La vérité sur l'IA du futur ^^ Le travail manuel a de beaux jours devant lui
0  0