Nouvelle compétence d'agent : l'inférence d'IA générative optimisée d'Amazon SageMaker pour votre agent de code
Amazon Web Services a lancé la compétence « aws-ai-ml », disponible via l'Agent Toolkit for AWS, qui donne aux agents de codage comme Kiro, Claude Code et Codex une expertise approfondie en optimisation de l'inférence et en benchmarking sur Amazon SageMaker AI. Compatible avec tout agent prenant en charge le Model Context Protocol (MCP), elle permet à un agent existant de tester des points de terminaison, de recommander des configurations de déploiement, de comparer des exécutions de performance et de générer du code exécutable pour le SDK Python SageMaker v3. L'installation passe par la commande « aws configure agent-toolkit », qui exige AWS CLI 2.35 ou supérieur et l'outil uv, puis par « npx skills add aws/agent-toolkit-for-aws/skills/aws-ai-ml ». AWS annonce une prise en main en dix minutes, en local ou dans un espace JupyterLab de SageMaker Studio. Le code généré s'exécute avec les identifiants AWS de l'utilisateur, qui doivent autoriser la création de points de terminaison et le lancement de tâches de benchmark et de recommandation. Aucune configuration IAM supplémentaire n'est nécessaire pour la compétence elle-même. Kiro et Claude Code peuvent aussi la découvrir à la volée via le serveur AWS MCP, sans installation locale.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu est de raccourcir le chemin entre une intention métier et une infrastructure d'inférence adaptée. La plupart des ingénieurs ne savent pas d'emblée quelle famille d'instances ou quel conteneur de service conviendra à leur cas. Ils partent d'un objectif de performance, d'un budget à respecter ou d'un modèle à évaluer avant la mise en production. L'agent pose des questions ciblées, puis produit du code fondé sur des benchmarks réels et des mesures de performance, en s'adaptant aux contraintes comme le ferait un architecte solutions. L'utilisateur garde la maîtrise : chaque étape est visible en temps réel et exprimée sous forme de code lisible, qu'il peut relire, modifier et exécuter dans son propre environnement, sans interface opaque.
Cette annonce s'inscrit dans la montée en puissance des assistants de codage dans les flux de travail des ingénieurs, et dans la volonté des fournisseurs de cloud de les relier directement à leurs services. SageMaker AI propose déjà un hébergement avec serveurs en modes temps réel, par lots et asynchrone, de la capacité à la demande ou réservée, des instances hétérogènes, l'isolation par cloud privé virtuel (VPC), la mise à l'échelle automatique et l'intégration avec tous les parcours d'entraînement. Cette étendue est un atout, mais elle complique le choix des configurations. En s'appuyant sur MCP, devenu un standard d'interconnexion entre agents et outils, AWS rend son expertise accessible quel que soit l'agent choisi, y compris ceux de concurrents, plutôt que de l'enfermer dans un seul environnement.
Pas d'impact direct sur la France/UE