Un nouveau guide de déploiement, fondé sur les recherches de Vertiv et STL Partners, aide les organisations à identifier leurs archétypes d’IA et à déterminer où déployer l’infrastructure nécessaire à leur prise en charge. L’approche de Vertiv est basée sur les charges de travail et relie les exigences métier à des modèles d’infrastructure adaptés et à des architectures de référence afin de réduire les risques de déploiement.
Communiqué : Vertiv, leader mondial des infrastructures numériques critiques, et le Deloitte Center for Integrated Research annoncent aujourd’hui une collaboration visant à aider les entreprises à surmonter un défi majeur dans le passage de l’IA de l’expérimentation à la production : déterminer où exécuter les charges de travail d’IA et s’assurer que l’infrastructure physique disponible est en mesure de les prendre en charge.
Le nouveau guide Vertiv « Designing Infrastructure for Enterprise AI », élaboré par Vertiv et STL Partners, cabinet de recherche spécialisé dans les infrastructures numériques, fournit aux responsables métiers, informatiques et des installations un cadre décisionnel basé sur les charges de travail. Son objectif est d’aider les organisations à prendre les bonnes décisions avant de s’engager dans un plan d’infrastructure. En partant de l’objectif métier visé et de la charge de travail d’IA concernée, elles peuvent évaluer le lieu de déploiement, les besoins en infrastructure et le niveau de préparation des installations, puis associer chaque charge de travail à un modèle d’infrastructure physique adapté ainsi qu’à une architecture de référence pour la planification et la validation technique.
Les recherches menées dans le cadre de cette étude mettent en évidence un enjeu essentiel pour les entreprises qui font passer leurs charges de travail d’IA de l’expérimentation à la production : le niveau de préparation de l’infrastructure peut déterminer à la fois où les charges de travail peuvent être déployées et à quelle vitesse elles peuvent passer en production. La disponibilité de l’alimentation, du refroidissement, de la connectivité et des capacités opérationnelles peut déterminer si une charge de travail peut être prise en charge dans une installation existante ou si elle nécessite un autre modèle de déploiement.
Le guide traduit ces considérations en un processus en 4 étapes :
- Définir l’objectif métier visé et la charge de travail d’IA
- Évaluer l’échelle, les performances et les exigences opérationnelles de la charge de travail
- Déterminer le lieu de déploiement le plus approprié
- Associer la charge de travail et son environnement de déploiement à un modèle d’infrastructure physique et à une architecture de référence.
« La prochaine phase de l’IA d’entreprise sera définie non seulement par les modèles et la puissance de calcul, mais aussi par la capacité des organisations à fournir l’alimentation électrique, le refroidissement, la connectivité et l’environnement d’exploitation dont chaque charge de travail a besoin », déclare Giordano Albertazzi, PDG de Vertiv. « En partant de la charge de travail, les entreprises peuvent anticiper leurs choix d’infrastructure, identifier les contraintes plus rapidement et définir une trajectoire crédible pour passer de l’ambition d’IA à la production. »
« Les exigences économiques et opérationnelles de l’IA évoluent à mesure que les charges de travail passent en production », explique Nicholas Merizzi, associé principal et responsable de Silicon2Service aux États-Unis chez Deloitte Consulting LLP. « Les entreprises doivent prendre en compte conjointement la valeur ajoutée, la gouvernance, la responsabilité opérationnelle et l’infrastructure. Intégrer ces questions dès les premières étapes du processus de planification permet aux dirigeants de mieux définir l’emplacement d’exécution des charges de travail d’IA et la manière dont elles doivent être prises en charge dans le temps. »
Ce processus reconnaît que l’IA d’entreprise est un ensemble de charges de travail plutôt qu’une simple décision d’infrastructure. Les charges de travail exploratoires peuvent rester dans le cloud, tandis que les charges de travail durables ou critiques peuvent privilégier une infrastructure hybride ou une capacité gérée par l’entreprise. Les charges de travail nécessitant une réponse plus rapide, un meilleur contrôle, une proximité des données ou des performances de modèle spécifiques peuvent nécessiter un déploiement en Edge ou dans un autre environnement contrôlé.
Cette approche spécifique aux charges de travail permet aux environnements de cloud public, de colocation, aux infrastructures détenues par l’entreprise, aux environnements hybrides et aux infrastructures Edge de jouer chacun un rôle. Plutôt que de promouvoir ou de rejeter une approche particulière du cloud, le guide propose une méthode cohérente permettant de déterminer l’environnement d’exploitation le plus adapté à chaque charge de travail d’IA.
L’étude identifie six archétypes de charges de travail d’IA en entreprise couvrant le développement de modèles, le réentraînement et quatre catégories d’utilisation en production. Ces archétypes aident les entreprises à identifier les charges de travail présentant des exigences similaires en matière de performances, d’exploitation et d’infrastructure, créant ainsi une base de planification plus cohérente. Chaque charge de travail peut ensuite être alignée avec l’un des quatre modèles d’infrastructure physique : Edge AI Cluster, Small AI Cluster, Large AI Cluster et High-Density AI Cluster.
Ces quatre modèles constituent un point de départ pour les décisions relatives à l’alimentation électrique, au refroidissement, aux systèmes de contrôles, à la connectivité, à la résilience, au support opérationnel et à la croissance future. Les architectures de référence associées peuvent ensuite être adaptées en fonction de l’évaluation du site, des exigences de la charge de travail et des contraintes d’ingénierie détaillées.
Le niveau de préparation des installations est un facteur déterminant pour les quatre modèles. Le guide aide les entreprises à évaluer si un site envisagé dispose de capacités suffisantes d’alimentation électrique, de refroidissement, de connectivité, de ressources opérationnelles et de possibilités d’extension. Réaliser cette évaluation dès les premières phases du projet, permet d’identifier les contraintes d’infrastructure avant qu’elles ne deviennent des obstacles au déploiement.
Le guide complet, « Designing Infrastructure for Enterprise AI », détaille les six archétypes de charges de travail, les quatre modèles d’infrastructure physique ainsi qu’une feuille de route en quatre étapes pour planifier, déployer et faire évoluer une infrastructure d’IA d’entreprise. Il est disponible sur Vertiv.com.
