Débunkage de quatre mythes sur l’IA, l’ML et le stockage de données pour un fonctionnement efficace

Curtis Anderson, l’architecte logiciel chez Panasas et coprésident du groupe de travail sur le stockage de MLCommons, a récemment mis en lumière l’importance du stockage de données dans l’intelligence artificielle et l’apprentissage automatique (IA/ML). Il a souligné que la bonne infrastructure de stockage est cruciale pour le fonctionnement efficace des applications IA/ML. 

L’influence croissante de l’IA/ML

L’IA/ML, dans son essence, concerne la reconnaissance de motifs. Elle peut révolutionner les processus commerciaux, les résultats des entreprises et la vie des gens. L’IDC prévoit que le marché mondial de l’IA, englobant les logiciels, le matériel et les services, atteindra 900 milliards de dollars d’ici 2026, avec un TCAC de 18,6 % de 2022 à 2026. 

À mesure que l’adoption de l’IA/ML augmente, les équipes informatiques doivent se concentrer sur la construction et la gestion d’une infrastructure capable de soutenir ces capacités et de s’adapter à la croissance future. L’un des composants souvent sous-estimés et mal compris dans ce processus est l’infrastructure de stockage de données nécessaire à ces applications émergentes.

Déconstruire quatre idées reçues courantes sur le stockage IA/ML

Idée reçue 1 : L'IA/ML concerne uniquement le GPU

Bien que les GPU à haute puissance de calcul aient été déterminants pour donner vie aux applications IA/ML et aux réseaux neuronaux, ils ne sont pas le seul composant critique. Le stockage et le réseau, qui garantissent la disponibilité des données pour l'accélérateur, sont tout aussi importants. Le choix de l'infrastructure de stockage et de réseau doit être aussi soigneusement étudié que celui du GPU. 

Idée reçue 2 : L'IA/ML nécessite un stockage tout-flash à haut IOPs

Contrairement à la croyance populaire, le stockage IA/ML ne se résume pas à la vitesse. Les systèmes de stockage tout-flash à haut IOPs ne sont pas toujours le meilleur choix. Les performances des accélérateurs et des applications IA/ML varient, et dans certains cas, un système hybride peut fonctionner aussi bien qu'une solution tout-NVMe, mais à un coût inférieur. Des benchmarks indépendants comme MLPerf peuvent guider les équipes IT dans la recherche de l'équilibre optimal entre accélérateurs de calcul, charges de travail IA/ML et options de stockage.

Idée reçue 3 : Le tiering de stockage réduira les coûts de l'IA/ML

Bien que le stockage en niveaux (tiering) soit une stratégie courante pour optimiser les ressources de stockage et minimiser les coûts, elle ne s'applique pas aux applications IA/ML. Dans l'IA/ML, toutes les données d'entraînement sont utilisées à chaque exécution, rendant toutes les données « chaudes ». Par conséquent, les solutions de stockage IA/ML doivent garantir que toutes les données sont toujours disponibles. De plus, la précision des charges de travail IA/ML s'améliore avec le volume de données d'entraînement, ce qui nécessite une infrastructure de stockage capable de évoluer linéairement à mesure que les volumes de données augmentent.

Idée reçue 4 : L'IA/ML peut utiliser un système de stockage dédié à usage unique

L'IA/ML est plus précieuse lorsqu'elle est appliquée aux données fondamentales d'une organisation. Pour de nombreuses entreprises, l'IA/ML a dépassé le stade du projet expérimental annexe et est devenue intégrale à leurs opérations. Par conséquent, ces applications doivent être consolidées dans l'infrastructure informatique et la solution de stockage centrales de l'organisation.

Les innovations en IA/ML devraient entraîner des transformations majeures au sein des entreprises, touchant presque tous les aspects d'une organisation. Selon le cycle de hype de Gartner, des technologies comme l'IA en périphérie (edge AI), l'intelligence décisionnelle et l'apprentissage profond devraient atteindre une adoption grand publique dans les deux à cinq prochaines années. Alors que les organisations entreprennent leur parcours IA/ML, le choix de l'infrastructure de stockage sous-jacente jouera un rôle pivot dans la maximisation du potentiel de ces applications.