Aliyun PAI

Qu’est-ce que Alibaba Cloud PAI ?

La plateforme d’intelligence artificielle d’AliCloud, PAI pour Platform for Artificial Intelligence, est une plateforme de machine learning, d’apprentissage profond et de conception de grands modèles de type cloud-native, destinée aux développeurs et aux entreprises. Elle couvre la préparation des données, le développement, l’entraînement, le microajustement, l’évaluation, le déploiement, l’optimisation du raisonnement, la gestion des actifs ainsi que la surveillance de l’exploitation, et permet de transformer les expériences en intelligence artificielle en services de production gérables.

PAI n’est ni une API de modèle unique, ni un outil de chat ordinaire. La plateforme est composée de plusieurs modules : iTAG s’occupe de l’étiquetage des données, Designer propose un modélisation par glisser-déposer, DSW fournit des environnements de développement Notebook et VS Code, DLC gère l’entraînement distribué, Model Gallery assure la gestion et le retouche des modèles pré-entraînés, et EAS déploie les modèles en tant que services d’inference en ligne.

Marquage des données iTAG

iTAG prend en charge l’annotation d’images, de texte, de vidéos, d’audio et de données multimodales, et offre des modèles prédéfinis, des composants de questions personnalisables, une allocation de tâches, ainsi que la gestion de la qualité et des résultats d’annotation. Les entreprises peuvent également demander des services d’annotation hébergés à grande échelle.

L’utilisation de base de la plateforme d’annotation peut être activée gratuitement, tandis que pour des services payants à une échelle d’au moins 100 000 éléments, il est nécessaire de soumettre une demande. Avant de télécharger des données commerciales réelles, il convient de procéder à la suppression des informations sensibles, à l’autorisation et au contrôle d’accès ; il ne faut pas remettre directement des données contenant des informations personnelles à des annotateurs non autorisés.

Modélisation low-code pour designers

PAI-Designer offre des workflows d’apprentissage automatique visuels et basés sur le glisser-déposer, intégrant de nombreuses composantes pour le traitement des données, l’ingénierie des caractéristiques, l’analyse statistique, l’apprentissage automatique traditionnel et l’apprentissage profond. Les utilisateurs peuvent connecter des données, configurer des algorithmes, exécuter des expériences et déployer les résultats en tant que services.

Designer convient à l’enseignement, à l’analyse et à la validation rapide, mais le low code ne signifie pas qu’il n’est pas nécessaire de comprendre les données. Les fuites dans l’ensemble d’entraînement, le déséquilibre des catégories, les indicateurs d’erreur et une segmentation irréaliste peuvent encore conduire à des modèles qui semblent précis mais ne peuvent pas être utilisés en production.

Modélisation interactive DSW

DSW, c’est-à-dire Data Science Workshop, propose en cloud Jupyter Notebook, VS Code, des images, des GPU ainsi que du stockage persistant, idéal pour l’exploration de données, le développement de modèles, le débogage, l’entraînement et la validation par inférence. Les utilisateurs peuvent choisir les images officielles ou configurer leurs dépendances ainsi que le montage de stockages tels que OSS et NAS.

Les ressources publiques DSW sont généralement facturées en fonction de la durée de fonctionnement de l’instance. Une fois le développement terminé, il convient d’arrêter l’instance et de sauvegarder le code important ainsi que les modèles dans un stockage persistant.

Certaines plateformes de stockage cloud gratuites peuvent être supprimées après une longue période d’inactivité de l’instance.

Entraînement distribué DLC

DLC est utilisé pour exécuter des tâches d’entraînement avec PyTorch, TensorFlow, MPI, etc., et prend en charge plusieurs cartes sur une seule machine, plusieurs machines avec plusieurs cartes, des files d’attente, des quotas de ressources, des journaux de tâches, la tolérance aux pannes et un planification élastique. Il convient au pré-entraînement de grands modèles, au fine-tuning, aux modèles visuels ainsi qu’aux équipes ayant besoin d’expériences en batch.

Les coûts de l’entraînement distribué dépendent du modèle, du nombre de GPU, de la région et du temps d’exécution. Une échec de tâche peut également avoir consommé des ressources ; avant l’entraînement, il convient d’abord de valider avec de petits ensembles de données et de petites configurations les scripts, les images, les chemins de données ainsi que la restauration des checkpoints.

Galerie de modèles

La Galerie de modèles rassemble Qwen, DeepSeek ainsi que des modèles pré-entraînés dans les domaines visuel, linguistique et AIGC, et propose pour certains modèles des configurations prédéfinies pour le déploiement, le fine-tuning, l’évaluation et l’inférence. La page du produit actuelle offre également des accès de déploiement pour la série Qwen3.5 avec différentes tailles de paramètres.

Les utilisateurs peuvent lancer l’entraînement du DLC et le déploiement d’EAS sans code ou avec une configuration minimale. Le modèle lui-même peut être soumis à différentes licences open source ou conditions commerciales ; avant son mise en production, il est nécessaire de vérifier séparément les licences des poids, les modèles dérivés et les utilisations prévues pour les résultats.

Ajustement fin des grands modèles

PAI permet d’adapter les modèles pré-entraînés aux termes propres à l’entreprise, à l’extraction structurée, au service client, à la classification et à la génération de contenu, grâce à des ajustements complets ou à des méthodes comme LoRA. Model Gallery permet de choisir les ensembles de données, les spécifications d’entraînement et les hyperparamètres, puis de déployer ou d’évaluer le modèle après l’entraînement.

Le fine-tuning n’est pas adapté pour résoudre tous les problèmes de mise à jour des connaissances. Les politiques, prix et informations en constante évolution conviennent généralement mieux au RAG ;

Il convient d’envisager des ajustements fins uniquement lorsque le format de sortie, le style terminologique ou les compétences sectorielles doivent être stabilisés.

Évaluation et distillation de modèles

La plateforme permet de comparer les modèles de base et les modèles fine-tunés à l’aide de données d’évaluation. Elle permet également d’utiliser des grands modèles pour générer ou annoter des échantillons d’entraînement, afin d’entraîner des modèles plus petits par distillation. Cela offre la possibilité de réduire les coûts et les délais de traitement.

Les données synthétiques nécessitent un échantillonnage pour une vérification manuelle ; il ne faut pas copier inconditionnellement les erreurs du modèle enseignant au modèle étudiant. L’ensemble d’évaluation doit couvrir la distribution réelle, les problèmes de bord et les problèmes de sécurité, et être isolé des données d’entraînement.

Service en ligne du modèle EAS

EAS, c’est-à-dire Elastic Algorithm Service, permet de déployer des modèles d’entraînement ou des modèles pré-entraînés en tant que services de raisonnement en temps réel, asynchrone ou hors ligne. La plateforme offre un gateway partagé, une connexion directe haute vitesse via VPC, une capacité d’échelle élastique, ainsi que la gestion des versions et du suivi, et prend en charge l’appel de certains grands modèles de langage via des interfaces compatibles OpenAI.

Les ressources publiques EAS sont facturées en fonction de la durée d’exécution d’une instance de service, de son démarrage à son arrêt ; des frais peuvent être générés même en l’absence de demande. À la fin du test, le service doit être arrêté ou supprimé, il ne suffit pas de fermer le navigateur.

Inference sans serveur

EAS propose une version Serverless pour SD WebUI et ComfyUI ; son déploiement est gratuit, et les frais sont calculés en fonction du nombre de secondes réellement utilisées pour traiter les requêtes. Il convient aux charges de travail de génération d’images avec des accès discontinus.

Actuellement, la compatibilité Serverless est limitée ; il ne faut donc pas en déduire que tous les déploiements de grands modèles fonctionnent selon un paiement par demande. Les modèles spécifiques, les régions, le démarrage en mode froid et le prix unitaire doivent se référer à la page de création du service.

Accélération du raisonnement PAI-Blade

PAI-Blade améliore le débit de raisonnement des modèles et réduit les délais grâce à l’optimisation graphique, à la fusion d’opérateurs, à la quantification ainsi qu’à la coordination logiciel/hardware, et est adapté aux services visuels, au langage naturel et aux grands modèles. PAI-ACC, quant à lui, couvre l’accélération des données, de l’entraînement, de la communication et du raisonnement.

L’accélération et la quantification peuvent modifier la précision ou le comportement du modèle. Avant mise en production, il convient d’utiliser un ensemble de test métier pour comparer le modèle original au modèle optimisé, et de consigner les informations relatives au matériel, à l’image et aux paramètres d’optimisation.

Actifs d’IA et MLOps

PAI offre des capacités de gestion d’actifs telles que des espaces de travail, des ensembles de données, des modèles, des images, des pipelines, des tâches et des services, afin d’aider les équipes à suivre les entrées d’entraînement, les versions, les paramètres et les résultats de déploiement. Les entreprises peuvent isoler les différentes équipes à l’aide des rôles et espaces de travail RAM.

Pour assurer un entraînement reproductible, il est également nécessaire de fixer les dépôts de code, les images de conteneur, les seeds aléatoires, les versions des données et le verrouillage des dépendances. Il ne suffit pas de conserver uniquement les poids finaux pour expliquer l’origine du modèle.

Plateforme de caractéristiques FeatureStore

FeatureStore est utilisé pour gérer de manière unifiée les caractéristiques en mode hors ligne et en ligne, afin de réduire les écarts de caractéristiques pendant les phases d’entraînement et de mise en service. Il convient aux scénarios de recommandations, de contrôle des risques, de publicité et de recherche. Les caractéristiques peuvent être réutilisées entre plusieurs modèles et une gestion des versions y est assurée.

Les caractéristiques en temps réel exigent une attention particulière portée au retard, aux stratégies de péremption, à l’historique des données et aux droits de confidentialité. Les caractéristiques défectueuses peuvent affecter plusieurs modèles en ligne en même temps ; il convient donc d disposer de mécanismes de rollback et de surveillance.

LangStudio et les applications de grands modèles

PAI offre également des fonctionnalités LangStudio destinées au développement d’applications à base de grands modèles, permettant de gérer les prompts, les modèles, les connaissances et les processus d’application, ainsi que de gérer les ressources via OpenAPI. Associé à des outils de formation et de déploiement, il convient aux entreprises souhaitant réaliser l’ingénierie des modèles et le déploiement des applications dans un même environnement cloud.

Si la demande consiste simplement à appeler directement les API des modèles hébergés tels que Tongyi, Alibaba Cloud BaiLian peut être plus léger ; lorsque des entraînements personnalisés, des ressources GPU, des actifs de modèle et un déploiement exclusif sont nécessaires, PAI est plus adapté.

Puissance de calcul et ressources de stockage

PAI peut utiliser des ressources publiques, des ressources propriétaires de calcul général, des ressources de calcul intelligent Lingjun ainsi que des ressources cloud natives associées, couvrant les CPU, les GPU NVIDIA et une partie des capacités de calcul hétérogènes. Les données sont généralement stockées dans des services tels que OSS, NAS, CPFS, MaxCompute, etc.

En plus de la facture PAI, des frais peuvent également survenir pour le stockage d’objets, le stockage de fichiers, le réseau public élastique, VPC, les journaux et les produits de big data. Lors de l’estimation des coûts, il est nécessaire de prendre en compte l’ensemble de l’architecture.

Activation gratuite et essai pour nouveaux utilisateurs

• Les produits PAI et l’espace de travail par défaut peuvent être activés gratuitement, et seuls les utilisations réelles des ressources correspondantes donnent lieu à une facturation.
• Les nouveaux utilisateurs peuvent demander un crédit gratuit pour le calcul DSW750, renouvelé tous les 3 mois à raison de 250 unités de calcul par mois ;
• Le DLC offre une période d’essai de 100 CU·H ;
• EAS propose un forfait de remise de 500 yuans ;
• Le crédit d’essai ne s’applique qu’aux modèles gratuits spécifiés et aux modules correspondants, et ne peut pas être transféré entre DSW, DLC et EAS.
• Lorsque le quota est épuisé ou que la période d’essai se termine, les ressources qui continuent de fonctionner passeront au mode de facturation à l’usage.

Comparaison des prix et des versions

Prix du pack de ressources DSW

Pour l’édition de démarrage DSW 100, le prix d’exemple pour l’achat initial du pack de ressources est de 59 yuans, avec une validité de 12 mois ; les achats ultérieurs reviennent au prix normal indiqué sur la page. Le pack de ressources n’est compatible qu’avec des régions spécifiques et des modèles de base.

Les autres GPU, CPU et ressources propriétaires sont facturés selon leurs spécifications réelles. Les prix des GPU haut de gamme varient fortement en fonction des stocks, ce qui rend impossible d’indiquer dans le catalogue des outils un prix fixe à long terme.

Prix de formation DLC

Le DLC peut utiliser des ressources publiques avec un paiement à l’utilisation en fonction de la durée d’exécution, ou bien préacheter des ressources générales ou haut de gamme pour soumettre des tâches via des quotas. Le prix de l’entraînement dépend des spécifications de l’instance, du nombre de nœuds, de la région et de la durée.

Le quota de 100 CU·H pour les nouveaux utilisateurs s’applique uniquement aux spécifications gratuites désignées. L’entraînement avec plusieurs machines et cartes, le stockage, le réseau et les journaux peuvent entraîner des frais supplémentaires.

Prix EAS et programme d’économies

Les nouveaux utilisateurs d’EAS peuvent obtenir une remise de 500 yuans pour essayer le service. Le plan d’économie pour débutants propose un prix initial de 59 yuans, avec une remise de 200 yuans sur la consommation de ressources publiques, valable pendant 12 mois.

Les ressources publiques à consommation variable peuvent être facturées en fonction d’une machine spécifique ou d’une combinaison de CPU et de mémoire.

Selon les données officielles actuelles, le prix de référence pour les ressources combinées est de 0,194 yuan par cœur de CPU et par heure, ainsi que de 0,024 yuan par GB de mémoire et par heure ; les prix varient en fonction du modèle et de la région.

Le gateway partagé est gratuit ; les gateways privés, les disques système supplémentaires et les ressources Internet sont facturés séparément.

Exemple de coût de déploiement du modèle Qwen

Pour une introduction rapide à Qwen3-0.6B de Model Gallery, on utilise par défaut des instances GPU A10 ; l’exemple officiel coûte environ 10,5 yuans par heure. La facturation commence environ quelques minutes après le déploiement ; il convient de l’arrêter ou de le supprimer lorsqu’il n’est pas utilisé.

Ce prix n’est qu’un exemple pour des régions et des spécifications particulières, et ne représente pas le prix uniforme pour tous les modèles Qwen, DeepSeek ou autres grands modèles. Plus les paramètres du modèle sont importants, plus il nécessite généralement davantage de GPU et de mémoire vidéo.

API et SDK Python

PAI propose OpenAPI, un SDK universel d’AliCloud et un SDK Python avancé. Le SDK Python officiel prend en charge Python 3.8 et versions ultérieures ; il permet de soumettre des tâches d’entraînement, d’enregistrer des modèles, de déployer des services, de lancer des prédictions, et d’utiliser certains services de grands modèles comme clients compatibles avec OpenAI.

La clé SDK doit utiliser des identités et des variables d’environnement avec les droits minimums en RAM ; l’AccessKey du compte principal ne doit pas être inscrit dans des notebooks, des images ou du code public. Pour les appels en production, il est également nécessaire de mettre en place un renouvellement de tokens, un accès VPC et une limitation des services.

GitHub et l’état open source

La plateforme cloud PAI, le système de planification, la console et les services de hébergement ne sont pas des produits entièrement open source. Alibaba Cloud a rendu public pai-python-sdk sur GitHub, sous licence Apache 2.0, et gère également le répertoire d’exemples pai-examples.

Le fait que les SDK et les exemples soient open source signifie simplement que le code client peut être consulté et modifié, mais cela ne veut pas dire que le serveur PAI, le moteur d’accélération de l’entraînement ou les ressources cloud peuvent être déployés en mode privé gratuitement. Il faut également vérifier la licence de chaque modèle dans la Model Gallery.

Guide d’utilisation de PAI d’Aliyun

Terminer une tâche de base

1. Installer et configurer Alibaba Cloud PAI, et créer des projets et des noms de exécution distincts pour les expériences ;
2. Enregistrer les hyperparamètres, la version des données, la version du code et la graine aléatoire dans le script d’entraînement ;
3. Initialiser la tâche via l’étiquetage des données iTAG et se connecter au service cloud ou privé approprié ;
4. Utiliser le modélisation à faible code de Designer pour enregistrer en continu les pertes, les indicateurs, les journaux et l’état du matériel ;
5. Exécuter un entraînement à petite échelle pour vérifier que le nombre d’itérations, les unités, les courbes et les échantillons multimédias sont corrects ;
6. Après achèvement, enregistrer le modèle, les paramètres, les résultats ainsi que la description de l’expérience reproductible ;

Créer des flux de travail professionnels réutilisables

1. Unifier les normes de nommage des projets, des expériences, des indicateurs et des étiquettes ;
2. Intégrer l’étiquetage des données iTAG, la modélisation low-code Designer et la modélisation interactive DSW dans le modèle de formation ;
3. Établir des liens de version pour les ensembles de données, le code, l’environnement et les modèles ;
4. Utiliser le même ensemble d’évaluation et les mêmes conditions expérimentales pour comparer, afin d’éviter de ne se baser que sur des courbes lissées ;
5. Restreindre la portée du téléchargement des échantillons sensibles, des prompts et des sorties du modèle ;
6. Définir les alertes d’anomalies, les stratégies de conservation et la révision manuelle avant de les déployer à l’équipe ;

À qui s’adresse-t-il ?

• Des scientifiques des données ayant besoin d’un notebook cloud et d’un environnement de développement GPU ;
• Équipe d’algorithmes chargée du fine-tuning, de la distillation et de l’entraînement distribué de grands modèles ;
• Développeurs d’entreprise qui doivent déployer un modèle en tant qu’API stable ;
• Analystes souhaitant utiliser un Designer à faible code pour mener des expériences en apprentissage automatique ;
• Équipe de plateforme nécessitant un espace de travail, des droits d’accès, des actifs et une gouvernance MLOps ;
• Les entreprises qui mettent en œuvre des projets de recommandation, de recherche, visuels, AIGC et de modèles sectoriels.

Avantages du produit

• Couvre l’ensemble du cycle : annotation, développement, entraînement, évaluation et déploiement ;
• DSW, DLC et EAS s’adaptent respectivement à différentes phases du projet ;
• Model Gallery propose des applications pratiques avec des modèles tels que Qwen et DeepSeek ;
• Prend en charge les ressources publiques, les ressources propriétaires et le calcul intelligent à grande échelle ;
• Il offre une accélération du raisonnement, une capacité de mise à l’échelle dynamique et une gouvernance des droits d’accès pour les entreprises ;
• Fournit OpenAPI, un SDK Python et des exemples officiels.

Restrictions et précautions

• Le module PAI comporte de nombreux modules et des chaînes de facturation complexes, ce qui rend le coût d’apprentissage plus élevé que celui de l’appel direct de l’API du modèle.
• Les coûts peuvent provenir en même temps de la GPU, du CPU, de la mémoire, du disque système, d’OSS, de NAS, d’Internet public, du gateway et des journaux ;
• Les ressources à consommation variable peuvent continuer à être facturées même en l’absence d’appel, il est donc essentiel de définir des alertes de budget et d’arrêter ou de supprimer les ressources de test.
• Les données et les modèles d’entreprise doivent également respecter les exigences géographiques, les droits d’accès, les licences et les exigences de sécurité ;

Questions fréquentes

Aliyun PAI est-il gratuit ?

La plateforme peut être activée gratuitement, mais l’utilisation de ressources telles que le calcul, le stockage et le déploiement est facturée. Les nouveaux utilisateurs peuvent demander des crédits d’essai pour DSW, DLC et EAS.

PAI peut-il entraîner de grands modèles ?

Oui. Le DLC prend en charge l’entraînement distribué sur plusieurs machines et cartes, tandis que la Model Gallery permet le fine-tuning, l’évaluation et le déploiement de modèles tels que Qwen et DeepSeek.

Quelle est la différence entre DSW et DLC ?

DSW est orienté vers les notebooks interactifs et le développement/débogage, tandis que DLC est orienté vers des tâches d’entraînement formelles, planifiables et évolutives.

Est-ce que cela coûte de l’argent même si EAS n’est pas activé ?

Les services de ressources publiques ordinaires sont facturés du moment où l’instance est lancée jusqu’à son arrêt, même en l’absence de demande ; seuls les services Serverless spécifiés sont facturés en fonction du temps réel de traitement.

PAI prend-il en charge le format OpenAI ?

Certains grands modèles de langage déployés via EAS offrent des méthodes d’appel compatibles avec OpenAI ; les chemins spécifiques et les fonctionnalités dépendent des instructions relatives au modèle déployé.

Est-ce que Alibaba Cloud PAI est open source ?

La plateforme elle-même n’est pas open source ; le SDK Python officiel et les répertoires d’exemples le sont, mais cela ne revient pas au même que l’open source du serveur et de la plateforme cloud.