Amazon SageMaker Edge Manager

Amazon SageMaker Edge Manager est un service géré destiné à la gestion et à la supervision du déploiement de modèles de machine learning sur des dispositifs en périphérie. Ce service concerne les processus de gestion, de maintenance et de suivi de modèles de machine learning sur des appareils distants, dans des contextes où la connectivité cloud n’est pas toujours disponible. Amazon SageMaker Edge Manager vise à simplifier les opérations liées à la maintenance et au suivi de modèles déployés sur un parc d’équipements, tout en préservant la continuité des opérations existantes et en assurant la conformité aux exigences industrielles.

Pour une flotte de capteurs industriels, le déploiement de modèles de machine learning passe par des procédures qui demandent l’optimisation des modèles et la transmission sécurisée des fichiers. Dans ce cadre, les équipes gèrent le transfert, le suivi de la version des modèles et l’analyse des performances sur des réseaux hybrides. Les flux de travail incluent la collecte structurée de données, la gestion sécurisée des échanges et la limitation des interventions manuelles. Les exigences de sécurité et de conformité sont intégrées dans les différentes phases de gestion opérationnelle.

La solution fournit un agent installé sur chaque dispositif pour réaliser des inférences localement et recueillir les données d’entrée et de sortie des modèles. Cette architecture s’appuie sur SageMaker Neo pour la préparation des modèles, avec un processus de signature cryptographique des fichiers pour distribution. La surveillance des opérations se fait grâce à un dashboard, avec la transmission des informations pertinentes pour analyse ou réentraînement. Les cycles de mise à jour du modèle et de l’application sont indépendants, réduisant l’impact potentiel sur les services et limitant les risques techniques.

Dans une utilisation industrielle, l’adaptation des modèles a été possible via la collecte automatique de données sur site, transmises ensuite vers le stockage objet S3. Cette approche a permis d'introduire des procédures de maintenance prédictive tout en maintenant les applications en condition opérationnelle. L’intégration avec SageMaker Ground Truth et Model Monitor a permis le réentraînement basé sur l’analyse des données réelles. Le contrôle des modèles déployés reste assuré depuis la console SageMaker, respectant les procédés de sécurité établis.