AWS AI Practitioner - Applications et Considérations

🎯 Objectifs

Ce module couvre le domaine Applications et Considérations (22% de l'examen - dernière partie). Tu vas :

• ✅ Étudier des cas d'usage réels par industrie
• ✅ Comprendre les défis pratiques du déploiement d'IA
• ✅ Apprendre l'intégration de l'IA aux systèmes existants
• ✅ Maîtriser l'optimisation des coûts
• ✅ Connaître les bonnes pratiques de gouvernance et sécurité

📋 Prérequis

• Avoir complété les modules AWS AI Practitioner - Guide Complet, Fondamentaux, Services et IA Responsable
• Compréhension générale des défis métier

🎯 Cas d'Usage par Industrie

📦 E-Commerce et Retail

Recommandations Produits

Problème : Augmenter la valeur moyenne des commandes

Solution : Amazon Personalize → montrer les produits pertinents

Résultat : +20-30% en moyenne value per order

Service : Amazon Personalize

Client voit produit A
↓ (Personalize apprend)
Recommande produit B (souvent acheté avec A)
↓
Client achète B

Prédiction de Demand

Problème : Optimiser le stock (pas de rupture, pas de surstock)

Solution : Amazon Forecast → prédire la demande par produit

Résultat : -10-15% coûts de stock

Service : Amazon Forecast

Recherche Intelligente

Problème : Les clients cherchent avec typos ou termes vagues

Solution : Bedrock (LLM) → comprendre l'intention de recherche

Résultat : +15% taux de conversion recherche

🏥 Santé

Diagnostic Assisté

Problème : Réduire les erreurs de diagnostic

Solution : SageMaker + données patient → modèle prédictif

Considération : HIPAA compliance, explicabilité obligatoire

Services : SageMaker, SageMaker Explainability

Analyse d'Images Médicales

Problème : Radiologues surchargés, risque d'erreur

Solution : Rekognition custom + SageMaker

Bénéfice : Triage automatique, détection d'anomalies

Services : Rekognition, SageMaker

⚠️ Biais important : Modèles entraînés surtout sur données euro/américain → moins fiables sur autres populations

🏛️ Finance

Fraude Detection

Problème : Détecter fraude en temps réel (transactions)

Solution : Modèle d'anomalie + règles métier

Latence requise : < 100ms

Services : SageMaker Endpoints pour basse latence

Credit Scoring

Problème : Évaluer le risque de crédit

Solution : Classification supervisée sur historique

Légal : GDPR Article 22 → explicabilité OBLIGATOIRE

Services : SageMaker, SageMaker Explainability

Risque : Biais racial historique → rejette les minorités

📞 Customer Service

Chatbots de Support

Problème : Répondre aux questions courantes 24/7

Solution : Amazon Bedrock (Claude, GPT) + FAQ en RAG

Bénéfice : Réduit les tickets manuels de 30-50%

Services : Amazon Bedrock

Sentiment Analysis

Problème : Identifier les clients insatisfaits automatiquement

Solution : Amazon Comprehend → analyser les transcriptions d'appels

Bénéfice : Escalade proactive des cas problématiques

Services : Amazon Comprehend, Amazon Transcribe

🏭 Manufacturing

Predictive Maintenance

Problème : Prédire les pannes avant qu'elles surviennent

Solution : IoT + Time series forecasting (Forecast, SageMaker)

Bénéfice : Économise les arrêts non planifiés

Services : Amazon Forecast, SageMaker

Quality Control

Problème : Détecter les défauts de fabrication

Solution : Rekognition sur caméras de production

Bénéfice : Détection 99%+ (vs 80% oeil humain)

Services : Amazon Rekognition

⚙️ Défis Pratiques du Déploiement

1. Qualité des Données

Défi : Les données en production ne sont jamais parfaites

• Données manquantes
• Données incorrectes
• Données biaisées

Solution :

• Data validation pipelines
• Monitoring de la qualité des données
• Retraining régulier quand drifts détectés

Outil AWS : SageMaker Data Wrangler, Glue

2. Model Drift

Problème : Le modèle était précis en développement, mais performe mal en production parce que les données ont changé.

Exemple : Model de recommandation entraîné sur 2022. En 2024, les préférences clients ont changé → performance baisse.

Solution :

• Monitoring continu de la précision
• Alertes quand accuracy baisse > 5%
• Retraining automatique régulier (quotidien, hebdo)
• A/B testing avant déploiement

Outil AWS : Amazon SageMaker Model Monitor

3. Latence

Défi : Certains cas d'usage requièrent des réponses rapides

Solutions :

• SageMaker Endpoints pour real-time
• Batch pour asynchrone
• Edge computing pour < 50ms

4. Coûts

Défi : Les modèles d'IA consomment beaucoup de ressources (GPU, storage, API calls)

Exemple de coûts :

• SageMaker Endpoint ml.g4dn.xlarge : ~$0.50/heure
• Bedrock Claude usage : $0.003 per 1K input tokens
• Rekognition : $0.001 per image

Optimisations :

• Batch processing vs real-time
• Instance types adaptés (CPU vs GPU)
• Caching des résultats
• Compression des modèles

🔧 Intégration aux Systèmes Existants

Pattern 1 : Microservice

Application Web
    ↓
SageMaker Endpoint (ou Bedrock API)
    ↓
Prédiction ou Réponse

Avantage : Simple, découplé

Défi : Latence réseau

Pattern 2 : Batch Processing

Données en S3
    ↓
SageMaker Batch Transform
    ↓
Résultats en S3
    ↓
Base de données

Avantage : Coût réduit, pas de latence en temps réel

Utilisé pour : Prédictions quotidiennes, emails recommandations

Pattern 3 : Edge Computing

Données locales (edge device)
    ↓
Modèle ML léger localement
    ↓
Décision locale (no latency)
    ↓
(Optionnel) Sync au cloud

Utilisé pour : Voitures autonomes, drones, IoT

💰 Optimisation des Coûts

Levers d'Optimisation

1. Modèles plus petits

• Au lieu de 7B parameters → utiliser 1B ou 3B
• Perte de performance : 5-10%
• Gain en coûts : 50-70%

2. Quantization

• Réduire la précision (Float32 → Float8)
• La plupart des modèles tolèrent bien
• Gain en coûts et latence : 30-50%

3. Caching

• Les mêmes prédictions reviennent souvent
• Résultat en cache → pas de recalcul
• Gain potentiel : 20-50% (dépend du cas)

4. Batch Processing

• Traiter 1000 images à la fois vs 1 par 1
• Coût par prédiction : -50%

5. Instance Types

ml.m5.xlarge (CPU)    → $0.35/h → Régression simple
ml.g4dn.xlarge (GPU)  → $0.50/h → Deep learning
ml.p3.8xlarge (GPU)   → $12.48/h → Modèles massifs

Utiliser le type minimal nécessaire.

🔐 Sécurité et Compliance

Données Sensibles

Défis :

• Données de patients (HIPAA)
• Données financières (PCI-DSS)
• Données personnelles (GDPR)

Solutions AWS :

• VPC isolation
• Encryption at rest (KMS)
• Encryption in transit (TLS)
• IAM fine-grained access

Model Security

Risques :

• Model extraction (quelqu'un vole le modèle)
• Adversarial attacks (entrées malveillantes)
• Poisoning (contaminer les données d'entraînement)

Mitigations :

• Versioning des modèles
• Audit logs
• Input validation
• Regular monitoring

Governance

Checklist :

• Data ownership clair
• Model documentation (Model Card)
• Regular audits (mensuel)
• Incident response plan
• Explicabilité disponible
• Consent des clients (pour leurs données)

📚 Bonnes Pratiques

Avant le Déploiement

• Business Case : Clair ROI, KPIs définis
• Data Quality : Audit complet, biais identifiés
• Explicabilité : Capable d'expliquer les décisions
• A/B Testing : Comparé avec baseline

Après le Déploiement

• Monitoring : Dashboard des KPIs et accuracy
• Alertes : Drifts détectés automatiquement
• Governance : Revue régulière des décisions
• Retraining : Calendrier établi

Erreurs à Éviter

❌ Optimiser que pour l'accuracy → Ignore explainability, fairness

❌ Déployer sans monitoring → Drifts non détectés

❌ Une seule source de données → Modèle s'adapte mal au changement

❌ Ne pas documenter → Personne ne comprend le modèle

❌ Ignorer les biais → Risques légaux et réputationnels

📊 Tableau Synthétique : Cas d'Usages vs Défis

📝 Questions type de l'examen

Q1 : Une banque doit scorer les demandes de crédit en < 500ms pour être transparente avec le client. Quel pattern ?

• A) Batch Processing
• B) SageMaker Endpoint en temps réel
• C) Amazon Forecast
• D) Bedrock
• Réponse : B - Latence < 500ms → real-time endpoint

Q2 : Un modèle de recommandations avait 90% accuracy en dev, mais 75% en production. Pourquoi ?

• A) Underfitting
• B) Model Drift (données de prod différentes)
• C) Mauvaise validation
• D) Bug du code
• Réponse : B - Model Drift

Q3 : Réduire les coûts SageMaker d'une chaîne de recommandations quotidienne. Quelle approche ?

• A) Changer ml.m5 → ml.p3 (plus puissant)
• B) Utiliser Batch Transform au lieu d'Endpoints
• C) Faire 1000 prédictions en parallèle
• D) Ajouter du caching
• Réponse : B - Batch Processing coûte moins cher qu'Endpoints permanents

🚀 Prochaines Étapes

Après ce module, tu as couvert les 4 domaines de la certification AWS AI Practitioner :

1. ✅ Fondamentaux de l'IA et du ML (22%)
2. ✅ Services AWS AI/ML (30%)
3. ✅ IA Responsable et Éthique (26%)
4. ✅ Applications et Considérations (22%)

Préparer l'examen

• Faire des tests complets (mélange des 4 domaines)
• Revoir les domaines faibles
• Bien dormir avant l'examen
• Gérer le temps : ~3 minutes par question

📚 Ressources

• AWS Well-Architected Framework - ML Lens
• AWS Responsible AI Practices
• SageMaker Best Practices