L’IA bouscule les règles du stockage en entreprise

Les charges de travail liées à l’IA sont le principal moteur de l’augmentation de la capacité des centres de données

L’IA modifie notre conception de l’infrastructure. Au cours des prochaines années, les systèmes qui transportent les données de votre entreprise seront de plus en plus sollicités. Non pas parce que les applications deviennent plus volumineuses, mais parce que les charges de travail de l’IA poussent les exigences de performance bien au-delà de ce que les architectures informatiques traditionnelles ont été conçues pour gérer.

McKinsey prévoit que la capacité mondiale des centres de données va presque tripler d’ici à 2030. Le plus intéressant ? Environ 70 % de cette demande provient de l’IA. Il ne s’agit pas de changements progressifs. Il s’agit d’une évolution exponentielle, induite par les tâches d’apprentissage et d’inférence de l’IA qui consomment plus de puissance de calcul et nécessitent un accès aux données beaucoup plus rapide que les applications professionnelles classiques.

Le Forum économique mondial confirme cette évolution en prévoyant que le secteur des centres de données passera de 242,7 milliards de dollars aujourd’hui à près de 584 milliards de dollars d’ici à 2032. Il ne s’agit pas seulement d’augmenter le stockage, mais aussi d’avoir une infrastructure plus intelligente. Les modèles d’IA se nourrissent de données non structurées : vidéos, images, journaux, textes, le tout de manière aléatoire et en grandes quantités. Ces charges de travail mettent à rude épreuve les systèmes traditionnels conçus pour des demandes linéaires et prévisibles. Cette inadéquation brûle les budgets et bloque les délais, vos GPU restent inactifs, attendant les données au lieu de faire le travail pour lequel vous avez payé.

Si vous êtes à la tête d’une entreprise, le message est clair : ne faites pas évoluer les anciens systèmes pour résoudre de nouveaux problèmes. L’IA exige un nouveau cahier des charges. L’infrastructure gagnante sera celle qui anticipe les fluctuations de charge, gère le traitement parallèle à grande vitesse et maintient le débit sans goulot d’étranglement. Toute autre solution sera synonyme de gaspillage, de perte de capital, de calcul et d’opportunité.

Les systèmes de stockage existants sont mal équipés pour répondre aux exigences de l’IA.

La plupart des systèmes de stockage utilisés aujourd’hui ont été conçus pour une époque différente, où les charges de travail étaient cohérentes, structurées et suivaient un chemin logique. L’IA a fait voler ce modèle en éclats. La formation de grands modèles implique désormais des milliers, voire des dizaines de milliers, de processus s’exécutant simultanément. Chacun d’entre eux recherche différentes tranches de données non structurées, telles que des images ou des journaux, en exigeant un accès instantané.

Le stockage traditionnel ne peut pas suivre. Il a été conçu pour des systèmes où les demandes arrivent dans une file d’attente ordonnée. L’IA ne fonctionne pas comme cela. Lorsque le stockage ne peut pas fournir les données à la vitesse requise, vos coûteux GPU se taisent. Et lorsque cela se produit, vous perdez rapidement du temps et de l’argent.

Les chefs d’entreprise sont donc confrontés à un choix simple : adapter la pile ou se laisser distancer. Vous ne pouvez pas vous fier aux solutions existantes qui traitent le stockage comme une préoccupation secondaire. Dans le domaine de l’IA, le stockage est au cœur de l’infrastructure. S’il ne peut pas rivaliser avec la vitesse de calcul, tous les gains de performance que vous avez réalisés sont neutralisés.

Ce changement n’est pas théorique, il affecte les budgets opérationnels dès aujourd’hui. Les entreprises qui brûlent des cycles de calcul sans obtenir de résultats voient leurs coûts grimper en flèche pour un faible retour sur investissement. Et ce, avant même de prendre en compte les retards des projets. Vous voulez une IA prête pour la production ? Alors vous avez besoin de systèmes de stockage conçus pour répondre aux exigences imprévisibles et en temps réel de l’IA à grande échelle. Des systèmes de stockage qui devancent la charge de travail, et non qui la suivent.

Le calcul haute performance (HPC) est un modèle éprouvé de stockage prêt pour l’IA.

Si vous envisagez sérieusement de développer l’IA, il convient d’étudier la méthode que les environnements de calcul à haute performance (HPC) suivent depuis des années. Il ne s’agit pas de systèmes expérimentaux, ils effectuent déjà des travaux qui ne peuvent se permettre des temps d’arrêt, des erreurs ou des inefficacités. Pensez aux simulations gouvernementales ou à la recherche en sciences de la vie, où l’accès continu à des pétaoctets de données n’est pas facultatif.

Dans le secteur des sciences de la vie, par exemple, la UK Biobank contient plus de 30 pétaoctets de données biologiques et médicales sur un demi-million de personnes. Ce type de système n’est pas seulement volumineux, il est toujours disponible. Dans le domaine du renseignement national et de la défense, les exigences en matière de temps de disponibilité sont de 99,999 %. Cela signifie que même de brèves interruptions ne sont pas tolérables. Chaque seconde compte.

Ces environnements HPC montrent que la performance et la résilience ne sont pas des compromis, vous avez besoin des deux. L’approche la plus efficace est le stockage hiérarchisé. Les systèmes à hautes performances se concentrent sur les données actives critiques, tandis que les ensembles de données moins urgents sont acheminés vers des systèmes de stockage moins coûteux. Vous obtenez de la vitesse là où c’est important et de l’efficacité là où vous pouvez vous le permettre.

Pour l’IA, c’est exactement le modèle qui fonctionne. Un modèle de déploiement unique ne tient plus la route. Vous avez plutôt besoin d’une infrastructure fluide, capable de s’adapter en temps réel. Si une partie de votre ensemble de données devient soudainement critique, vous ne voulez pas qu’elle soit enterrée derrière un point d’accès lent. L’architecture doit savoir quand et où fournir des performances et intégrer la résilience.

Si vous prenez des décisions en matière d’infrastructure, commencez à évaluer votre stockage comme un vétéran du HPC. Assurez-vous qu’il est aligné sur les besoins de performance en temps réel et qu’il n’est pas bloqué par des attentes héritées du passé. Vous ne pouvez pas aller de l’avant en vous contentant de mettre à niveau la capacité, vous avez besoin d’un flux de données structuré et intelligent qui corresponde précisément aux charges de travail de l’IA.

La durabilité et l’intégrité des données sont essentielles à la réussite des projets d’IA

Ce dont on ne parle pas assez, c’est que votre IA ne vaut que ce que valent les données sur lesquelles elle est entraînée. Et ces données doivent rester intactes, accessibles et stables pendant toute leur durée de vie. Si ce n’est pas le cas, le modèle s’effondre. Le projet échoue. Vous perdez du temps, de l’argent et souvent la confiance de l’organisation.

La durabilité et l’intégrité ont un impact direct sur votre taux de réussite. Selon Gartner, d’ici 2026, 60 % des projets d’IA qui ne disposent pas de données prêtes pour l’IA seront abandonnés. À l’heure actuelle, seuls 48 % des projets d’IA parviennent à être mis en production. Les chiffres montrent clairement que la plupart des organisations ne résolvent pas ce problème.

Le coût est réel. La mauvaise qualité des données coûte aux entreprises entre 12,9 et 15 millions de dollars chaque année. Et lorsque votre pipeline de données est en panne, vous perdez en moyenne 300 000 dollars par heure. Cela représente 5 000 dollars par minute en perte de production, en retards de compréhension et en non-respect des accords de niveau de service. Ce n’est pas de l’inefficacité, c’est une responsabilité financière.

Pour les dirigeants qui dirigent les initiatives d’IA, il est temps de cesser de considérer le stockage comme une capacité statique et de le considérer comme un composant vivant de votre cycle de vie de l’IA. Vous avez besoin d’une protection solide des données, d’une récupération transparente des erreurs et d’une tolérance zéro à l’égard de la corruption silencieuse. Pour y parvenir, vous devez construire des architectures de stockage qui privilégient l’intégrité, mettent en œuvre des protocoles de validation fréquents et récupèrent sans délai en cas d’interruption.

Vos résultats en matière d’IA dépendent de la confiance que vous pouvez accorder à vos données. Tout compromis à ce niveau arrête toute la machine. Les dirigeants qui s’en occupent dès maintenant ne se contenteront pas d’éviter les retards, ils mettront leurs équipes en position de diriger au moment où l’exécution est la plus importante.

Des technologies et des pratiques de stockage avancées sont nécessaires pour un déploiement rentable de l’IA.

L’exécution de l’IA à grande échelle n’est pas seulement un défi de calcul, c’est aussi un défi de stockage. Et si vous n’investissez pas dans les bonnes technologies dans ce domaine, vous rendez tout en aval plus difficile et plus coûteux. Vous ne pouvez pas résoudre les problèmes de latence en augmentant le nombre de GPU. Vous les résolvez en optimisant le pipeline qui alimente ces GPU en données sans délai ni défaillance.

L’approche la plus intelligente aujourd’hui implique un mélange de flash et de disque, un déploiement modulaire et une tolérance aux pannes avancée. Les systèmes hybrides flash et disque concilient le besoin d’une latence ultra-faible et la pression financière pour contrôler les coûts d’infrastructure. Vous n’avez pas toujours besoin de la vitesse de la flash, mais lorsque c’est le cas, elle doit être disponible sans goulots d’étranglement.

L’adoption du codage par effacement multiniveau (MLEC) constitue un autre changement essentiel. Vous bénéficiez ainsi d’une meilleure protection contre les pannes que les configurations RAID traditionnelles. Il garantit que le système peut gérer des scénarios de défaillance simultanés sans risquer de compromettre les données ou les performances. C’est important lorsque vous mettez en production des flux de travail d’IA 24/7 et que vous ne pouvez pas vous permettre de vous recycler en raison d’une perte de données minimale.

L’évolutivité doit également être modulaire. Vous ne voulez pas revoir votre système à chaque fois que la demande augmente ou que les modèles se complexifient. Les conceptions modulaires vous donnent la possibilité d’augmenter les performances ou la capacité par cycles courts, sans perturber les opérations en cours.

Au niveau opérationnel, les mesures préventives sont importantes. Les contrôles automatisés de l’intégrité des données permettent d’identifier les cas de corruption avant qu’ils n’atteignent le stade de la formation. Des exercices de récupération programmés aident les équipes à réagir rapidement en cas de problème. Ces mesures ne sont pas facultatives, ce sont des minimums opérationnels pour que l’IA produise un véritable retour sur investissement.

Le coût du temps d’arrêt, de l’échec de l’inférence ou de l’altération de la formation est mesurable. Lorsque les pannes de pipeline vous coûtent 300 000 dollars par heure, comme le montrent les estimations actuelles, l’investissement dans une architecture de stockage intelligente est rapidement rentabilisé. Les dirigeants qui se concentrent sur la croissance et l’échelle doivent mettre en place ces mesures de protection dès le départ. Sinon, vous dépenserez beaucoup pour des systèmes d’IA qui ne vous apporteront pas une valeur constante. L’IA n’est pas seulement une question de rapidité des réponses, c’est aussi une question d’infrastructure fiable qui ne tombe jamais en panne lorsque vous en avez le plus besoin.

Principaux enseignements pour les dirigeants

• L’IA est à l’origine d’une demande d’infrastructure exponentielle : L’IA représente désormais l’essentiel de la croissance des centres de données, McKinsey prévoyant un quasi-triplement des besoins en capacité d’ici 2030, dont 70 % proviendront des charges de travail liées à l’IA. Les dirigeants doivent donner la priorité à une infrastructure évolutive et à haut débit pour éviter les goulets d’étranglement de capacité et l’inefficacité.
• Le stockage traditionnel ralentit les progrès de l’IA : Le stockage d’entreprise traditionnel, conçu pour des charges de travail linéaires et structurées, ne peut pas répondre aux exigences de faible latence des systèmes d’IA modernes. Les dirigeants doivent repenser le stockage comme un élément stratégique, et non comme un centre de coûts.
• Les stratégies de calcul intensif offrent un modèle éprouvé pour l’IA : les environnements de calcul intensif exécutent des charges de travail à l’échelle du pétaoctet avec des temps d’arrêt quasi nuls, en utilisant un stockage hiérarchisé pour équilibrer les performances et les coûts. Les DSI devraient appliquer des architectures basées sur le calcul intensif et adopter des systèmes hybrides qui donnent la priorité à l’accès aux données à haut débit pour l’IA.
• La résilience des données n’est pas négociable pour la réussite de l’IA : Le manque de données durables et prêtes pour l’IA est la principale raison pour laquelle les projets d’IA sont bloqués ou échouent, avec seulement 48 % d’entre eux qui atteignent la production et des problèmes de données qui coûtent des millions par an. Les dirigeants doivent investir dans des systèmes qui garantissent l’intégrité, la disponibilité et la récupérabilité des données en tant qu’éléments fondamentaux de leur stratégie d’IA.
• Les technologies de stockage intelligentes permettent de contrôler les performances et les coûts : Des approches telles que l’erasure coding multi-niveaux, les systèmes hybrides de disques flash et l’évolutivité modulaire réduisent les risques et permettent aux pipelines d’IA de continuer à fonctionner. Les organisations devraient procéder à ces mises à niveau techniques dès maintenant pour se prémunir contre les temps d’arrêt coûteux et les retards dans la réalisation de la valeur.