Hugues Heuzé, Regional Vice President South EMEA, Pure Storage
Les projets d’intelligence artificielle impliquent des quantités massives de données. Ces données suivent un parcours complexe avant de pouvoir être utilisées par l’IA et les organisations doivent s’assurer qu’elles disposent des outils et des processus nécessaires à leur réussite. En outre, de nombreux autres éléments doivent être pris en compte : la facilité d’utilisation, l’obtention de la valeur, la preuve du retour sur investissement et la gestion de la durabilité. Voici cinq clés clés sur lesquels il convient de se concentrer pour tirer le meilleur parti des initiatives en matière d’IA.
Concevoir pour la flexibilité – Ne pas se laisser enfermer
Dans un secteur où tout va très vite, les professionnels de la technologie ont l’habitude d’évoluer rapidement. Bien que ce rythme soit passionnant, dans le monde de l’IA, les outils, les modèles et les méthodes utilisés sont différents aujourd’hui de ce qu’ils étaient il y a même un an. Il est donc essentiel d’anticiper cette évolution et de faire preuve de souplesse dans les cycles de planification, les systèmes et les processus pour mettre à profit tout projet d’intelligence artificielle.
Pour que l’organisation puisse s’adapter en fonction de ses besoins, il faut construire avec le plus de flexibilité possible pour faire face aux situations inconnues et inattendues. N’essayez pas de construire une solution qui réponde strictement aux exigences actuelles, car cette solution pourrait rapidement devenir obsolète et potentiellement échouer si elle ne peut pas s’adapter aux changements constants dans l’espace de l’IA.
Intégrer des modèles de consommation flexibles
Avec un marché qui évolue beaucoup plus rapidement que le cycle d’achat traditionnel de nombreuses entreprises et la manière dont la technologie est consommée est donc un autre facteur qui doit être flexible. Dans la mesure du possible, évitez d’être lié par des investissements CapEx, qui peuvent être plus risqués lorsqu’il s’agit d’IA. Les ressources peuvent rester inutilisées pendant de nombreux mois, et il peut être nécessaire de répondre à différentes exigences à mesure que le projet, les cas d’utilisation et l’écosystème évoluent.
Un modèle de consommation flexible permettra aux organisations d’augmenter ou de diminuer les ressources en fonction des besoins et de modifier les exigences au fur et à mesure de l’évolution des projets. De plus, ils seront soutenus par des accords de niveau de service (SLA) afin de rassurer les clients sur le fait que les fournisseurs sont là pour les aider.
Intégrer le développement durable dans la préparation
Auparavant, les gestionnaires d’infrastructure se souciaient de trois sujets prioritaires : la capacité, les performances et le coût. Aujourd’hui, l’efficacité énergétique entre en compte comme quatrième dimension de leurs principales préoccupations. Elle est aussi importante dans la prise de décision en matière de stockage que les trois autres en particulier lorsqu’il s’agit de l’IA, gourmande en énergie.
Les exigences en matière d’alimentation et de refroidissement des projets d’IA atteignent des niveaux élevés. Tous nos clients nous en parlent : ils ont besoin d’améliorer l’efficacité dans tous les domaines où ils peuvent utiliser l’intelligence artificielle. Les data centers conçus il y a dix ans ne sont pas adaptés à cet égard. Ils n’ont jamais été conçus pour être utilisés de cette manière et les organisations ont besoin de plusieurs fois plus de KW par capacité de rack qu’il y a quelques années, voire quelques mois. Chaque KW qui peut être économisé sur le stockage et le réseau est un KW qui peut être utilisé pour les ressources de calcul pour faire fonctionner l’IA.
Si l’on ajoute à cela l’augmentation des coûts de l’électricité pour alimenter et refroidir les data centers, ainsi que les limites croissantes imposées à la construction de nouveaux data centers, les organisations devraient rechercher la technologie la plus économe en énergie disponible qui s’intègre dans l’espace le plus réduit.
Créer les bons outils et les bonnes plateformes pour améliorer la façon dont les Data Scientists passent leur temps
L’entraînement de l’IA est gourmand en ressources et nécessite généralement des GPU coûteux. Les organisations sont donc bien conscientes de la nécessité d’optimiser l’utilisation des ressources GPU. Il existe cependant une autre ressource qu’il est tout aussi important d’optimiser : le temps des data scientists, qui passent plus de temps à charger, nettoyer et expérimenter les données qu’à entraîner et évaluer les modèles d’intelligence artificielle.
Comme les développeurs, les data scientists préfèrent avoir un accès instantané aux ressources, des résultats instantanés et un libre-service pour effectuer leur travail rapidement et efficacement. Les ingénieurs devront construire une plateforme d’outils d’IA en tant que service, ce qui renforce encore l’argument en faveur d’un modèle de consommation flexible.
Un autre élément à prendre en compte est l’emplacement des données : sur site ou dans le cloud ? L’utilisation de GPU dans le cloud public est une ressource extrêmement coûteuse. Cela peut être utile pour une expérience, mais pour un travail intensif ou à long terme, ce n’est pas la bonne charge de travail et la bonne utilisation du cloud.
Projeter des modèles de retour sur investissement
Cela devrait aller de soi, mais personne ne devrait se précipiter dans un projet d’IA sans procéder en amont à une solide analyse de rentabilité. Comme toujours, on en revient à la stratégie d’entreprise : ce qui est important pour l’entreprise, en interne et pour les clients ainsi que ce qui est physiquement possible avec les ressources disponibles. Cela inclut à la fois l’informatique et les personnes qualifiées.
Les organisations doivent mettre en place des objectifs mesurables avant de commencer à expérimenter : Il s’agit de définir les paramètres et les facteurs de réussite.
Avec le rythme du changement, la pénurie de compétences et la complexité du paysage, les organisations planifient sans vraiment connaître l’avenir et c’est particulièrement vrai dans le domaine de l’IA. De plus, ce qui fonctionne aujourd’hui est susceptible de changer à l’avenir. Les organisations doivent donc s’assurer qu’elles ont planifié, préparé et intégré la flexibilité nécessaire pour répondre à l’évolution de leurs besoins. Facilité d’utilisation, durabilité et preuve du retour sur investissement sont les bases qui ne changeront jamais. En s’appuyant sur ces piliers pour planifier et intégrer des technologies qui répondent à ces critères, les managers responsables de l’IA sont la bonne voie pour une mise en œuvre réussie.
