Amazon Web Services : S3, SageMaker, Bedrock, Trainium et usages en entreprise

Amazon Web Services est la division d'Amazon qui vend des ressources informatiques à la demande, via Internet : serveurs, stockage, bases de données, réseau, outils d'analyse et services d'intelligence artificielle. Le principe est celui du cloud computing : l'entreprise ne possède pas ses serveurs, elle loue la capacité dont elle a besoin et paie ce qu'elle consomme.

AWS a été lancée publiquement en 2006, avec le service de stockage S3 en mars et les serveurs virtuels EC2 en août. Amazon avait construit cette infrastructure pour ses propres besoins et a choisi de la proposer à d'autres développeurs. Le catalogue s'est ensuite étendu aux bases de données, aux conteneurs, au serverless avec Lambda, à l'entrepôt de données Redshift, puis au machine learning avec SageMaker. Côté IA générative, AWS annonce Amazon Bedrock en 2023 et conçoit ses propres puces, Trainium et Inferentia, issues du rachat d'Annapurna Labs en 2015. Matt Garman dirige AWS depuis juin 2024.

AWS se distingue de Google AI et de Microsoft AI par un positionnement de distributeur : elle conçoit ses propres modèles, la famille Nova, mais met surtout en avant l'accès à des modèles de plusieurs éditeurs. Son partenariat avec Anthropic est le plus visible : les modèles Claude sont disponibles sur Bedrock et une partie de leur entraînement s'appuie sur les puces Trainium.

À retenir : AWS est avant tout une infrastructure. La question utile n'est pas « quel modèle propose-t-elle ? », mais « mes données, mes équipes et mes contraintes sont-elles déjà alignées sur cet environnement ? »

L'offre se lit en couches : stockage et calcul à la base, services de données au milieu, plateformes d'IA au sommet. Le tableau suivant résume les services les plus utilisés dans les projets data et IA.

Ces services se combinent. Un projet type stocke les données dans S3, les transforme avec des traitements managés, entraîne un modèle avec SageMaker ou appelle un LLM via Bedrock, puis déploie l'application sur des conteneurs ou des fonctions serverless. Pour gérer l'ensemble, les équipes s'appuient sur des pratiques de DevOps et sur l'infrastructure en code avec Terraform.

Comment choisir entre SageMaker et Bedrock ?

Amazon Bedrock convient quand un modèle existant suffit : on l'appelle par API, on ajoute un RAG et des garde-fous, sans administrer de serveur. SageMaker convient quand il faut entraîner ou ajuster un modèle sur ses propres données et maîtriser son déploiement. Dans les deux cas, mesurez la qualité, la latence et le coût sur vos tâches avant de généraliser.

Pour les agents, AWS ajoute AgentCore, qui fournit l'exécution isolée, la mémoire, la gestion des identités et l'observabilité nécessaires en production. Il se combine avec les frameworks d'agents du marché plutôt qu'il ne les remplace. Côté code, l'éditeur Kiro, orienté agents, complète l'offre pour les développeurs. Là encore, une fonction annoncée n'est pas forcément disponible dans toutes les régions : consultez la documentation avant de bâtir une architecture dessus. Pour le suivi des coûts d'une application d'IA générative, notre article sur le FinOps des LLM donne la méthode.

Non pour l'essentiel. AWS est un service commercial : les services managés comme S3, Redshift, SageMaker ou Bedrock sont propriétaires et facturés à l'usage. Les modèles Nova ne sont pas téléchargeables, on y accède par Bedrock.

L'ouverture existe pourtant à plusieurs niveaux :

• Modèles tiers ouverts : Bedrock distribue aussi des modèles à poids ouverts, que l'on peut appeler par API ou héberger soi-même avec des outils comme vLLM.
• Technologies standard : AWS propose des services managés autour de Kubernetes (EKS) et de logiciels libres, ce qui limite la dépendance quand on s'en tient à ces standards.
• Logiciels publiés par AWS : plusieurs SDK, outils en ligne de commande et frameworks sont publiés sous licence open source.

La vraie question n'est donc pas la licence d'AWS mais la portabilité : plus une architecture repose sur des services propriétaires, plus sa migration vers un autre cloud demande d'efforts. Un compromis courant consiste à garder les données dans des formats ouverts et à décrire l'infrastructure en code.

Pour une équipe qui débute, un ordre simple limite les risques. On commence par S3 et les identités, car presque tout en dépend. On ajoute ensuite le réseau et la supervision des coûts, puis les services d'IA. Cette progression évite de découvrir tard qu'un traitement coûteux tourne sans surveillance, ou qu'un jeu de données sensible est accessible depuis un compte mal configuré. Elle correspond aussi au parcours des formations Cloud, DevOps et MLOps, où AWS sert de terrain de pratique parce qu'il reste l'environnement le plus demandé par les entreprises.

À retenir : AWS est un service, pas un logiciel que l'on installe. La portabilité se prépare dans l'architecture, avec des formats ouverts et de l'infrastructure en code.

Google AI est le comparatif le plus naturel : Google Cloud et sa plateforme d'agents, anciennement Vertex AI, couvrent les mêmes besoins que Bedrock et SageMaker. Les deux offres diffèrent surtout par l'origine des modèles et par l'écosystème.

Lequel choisir ? L'environnement existant pèse plus que tout classement. Une organisation dont les données et les applications vivent déjà sur AWS gagne à y rester, avec Bedrock pour ajouter l'IA générative. Une organisation sur Google Workspace et BigQuery trouvera plus naturel de rester chez Google. Les deux donnent accès à des modèles tiers, ce qui réduit la dépendance à un seul éditeur de modèles. Comparez ensuite sur vos propres cas d'usage la qualité, la latence et le coût, et isolez l'appel au modèle derrière une interface interne pour pouvoir en changer.