1ère partie

IA : l’importance capitale de l’infrastructure

À mesure que les entreprises progressent dans leurs déploiements de l’IA, le besoin d’infrastructures capables de gérer cette charge colossale se fait de plus en plus pressant. Pour passer du stade de l’expérimentation à une mise en production généralisée des applications d’IA, vous devez non seulement renforcer les contrôles de sécurité des données, mais également vous assurer que cette data est toujours là où il le faut, quand il le faut. Dans les applications d’IA, les données sont la matière première sur laquelle reposent toutes les fonctionnalités. Libérer le plein potentiel de l’intelligence artificielle, c’est d’abord bâtir un pipeline de données à l’image de ceux que l’on connaît dans le développement d’applications. D’où le besoin d’une infrastructure et d’une connectivité capables de sous-tendre ce type de dispositif.

Dans une étude récemment menée pour Verizon, S&P Global Market Intelligence 451 Research constate une évolution dans les niveaux de compréhension, d’attentes et de planification en matière d’infrastructures d’IA. À mesure que les entreprises prennent conscience des exigences infrastructurelles propres à cette technologie, leurs objectifs évoluent. Celles qui en sont encore au stade des pilotes tendent à sous-estimer l’importance de la modularité et de la scalabilité. Leur capacité à optimiser leur infrastructure se limite généralement à un seul modèle d’IA, pour un cas d’usage bien spécifique.

Bien que cette approche puisse suffire à des expérimentations à petite échelle, les entreprises rencontrent toutes sortes de difficultés lorsqu’elles doivent opérationnaliser l’IA sur l’ensemble de leur structure. Les principaux problèmes se situent au niveau de la flexibilité, de l’évolutivité, de l’intégration de la sécurité et de la préparation de l’infrastructure à des modèles hybrides. Côté flexibilité, les préoccupations découlent du fait que le modèle d’IA utilisé lors du pilote ne sera pas forcément le même que celui qui sera mis en production. Avec l’évolution rapide des capacités des modèles et des architectures d’IA sous-jacentes, les entreprises utiliseront une grande diversité de modèles tout au long d’un même projet. Il est également important d’aborder le cycle de vie du modèle dans son intégralité, en accordant au déploiement et au monitoring la même importance qu’à l’entraînement. C’est pourquoi l’infrastructure d’IA doit être suffisamment flexible pour s’adapter à ces nouveaux modèles.

Dans l’IA, les exigences en matière de sécurité des données couvrent un champ beaucoup plus vaste que les programmes en place dans beaucoup d’entreprises. Notons par ailleurs que les sondés travaillant dans des secteurs réglementés sont plus nombreux à disposer de protocoles matures de sécurité des données et de l’infrastructure. Pourtant, même ceux-ci sont considérés comme insuffisants pour sécuriser les environnements d’IA complexes, ces derniers nécessitant un traitement et un nettoyage supplémentaires des données, ainsi qu’une protection renforcée pour les API, les prompts et les données de sortie.

Beaucoup d’entreprises font leurs premiers pas dans l’IA sur le cloud, tandis que d’autres s’en tiennent à une infrastructure on-prem pour les projets sensibles. Quelle que soit la plateforme de départ, la plupart des déploiements d’IA s’étendent à des infrastructures cloud et hybrides au fil du temps, dans une recherche constante du compromis idéal entre coûts, sécurité et performance. De nouveaux modèles, services et capacités sont constamment mis en production, ce qui peut offrir d’importantes opportunités d’améliorer les fonctionnalités et l’efficacité de l’IA. Pour beaucoup d’entreprises, l’efficacité de l’infrastructure hybride passe non seulement par des ressources cloud, mais également par des connexions réseau performantes pour relier leurs ressources data aux workloads d’IA. Or, les environnements hybrides peuvent être complexes à gérer, en particulier s’ils n’ont pas été conçus et implémentés dans une optique d’IA. Cependant, l’intégration de la sécurité et de la planification réseau peut simplifier le pilotage opérationnel des environnements hybrides et permettre de surmonter de nombreuses difficultés identifiées par les entreprises interrogées.

Autre point important révélé par l’étude : l’écart de perception potentiel sur l’état de l’infrastructure d’IA entre d’un côté les membres du Comex et, de l’autre, les équipes confrontées à la réalité du terrain, tant sur le plan de l’architecture que de l’implémentation de l’IA. Les besoins des environnements d’IA de production sont très différents de ceux constatés lors des premières expérimentations. Au stade du projet pilote, les cas d’usage peuvent être facilement ajustés. Mais le passage à la production exige un changement d’état d’esprit et d’approche au niveau de l’infrastructure : une mauvaise compréhension des besoins infrastructurels peut ainsi mettre en péril d’importants projets d’IA. Selon une récente étude de 451 Research intitulée « Voice of the Enterprise AI Infrastructure », les problèmes de budgétisation sont la principale cause d’échec des projets d’IA. Une communication claire et transversale est donc indispensable à la réussite des projets d’IA à long terme.

L’IA peut offrir de véritables avantages dans de nombreux cas d’usage, à condition d’effectuer une planification minutieuse et de repenser l’infrastructure. En partant sur une base modulaire, interconnectée et scalable, les entreprises parviendront à une meilleure maîtrise des coûts et augmenteront les chances de réussite de leurs projets d’IA.