Contexte et objectifs
Everpure indique que sa stratégie d’infrastructure IA s’éloigne du modèle centré sur les machines virtuelles (VM). L’entreprise aligne son data platform sur VMware Cloud Foundation 9.1, une suite qui intègre gestion des VM, orchestration Kubernetes et prise en charge native des charges de travail IA. L’objectif déclaré est de relier les investissements IA aux résultats business, plutôt que de dimensionner l’infrastructure avant d’avoir défini les cas d’usage.
Architecture hybride et composantes technologiques
Le déploiement combine trois piliers : les VM classiques, les clusters Kubernetes et les unités de traitement graphique (GPU) dédiées aux modèles d’apprentissage profond. Everpure exploite les clouds publics AWS et Microsoft Azure pour tester des configurations avant de les « right‑size » dans le data‑center. Cette approche hybride permet de valider la consommation de CPU, de mémoire et de bande passante GPU sans engager immédiatement des dépenses d’équipement.
Le partenariat avec Broadcom Inc. fournit les interconnexions réseau et les accélérateurs de stockage nécessaires à la bande passante élevée requise par les flux de données d’entraînement IA. L’intégration de Broadcom dans la pile VMware assure une latence réduite entre les nœuds Kubernetes et les GPU, condition sine qua non pour des itérations d’entraînement rapides.
Analyse des impacts opérationnels et économiques
En centralisant la gestion des VM, Kubernetes et GPU sous une même console Cloud Foundation, Everpure réduit la duplication des outils de monitoring et simplifie les politiques de sécurité. Le modèle partagé de visibilité sur les workloads facilite la collaboration entre les équipes d’infrastructure, de data‑science et de DevOps, comme le souligne Cody Hosterman, senior director of product management.
Le recours aux clouds publics pour le prototypage évite le sur‑approvisionnement de serveurs physiques. Une fois les besoins clairement identifiés, l’entreprise peut dimensionner les serveurs « best‑of‑breed » dans son propre data‑center, limitant ainsi les coûts d’énergie et d’espace. Cette démarche contraste avec la pratique fréquente d’acheter des serveurs GPU avant d’avoir défini les modèles à entraîner, ce qui représente l’erreur la plus coûteuse selon Hosterman.
Limites et perspectives
Le principal risque réside dans la complexité de la gouvernance hybride : synchroniser les politiques de conformité entre AWS, Azure et le data‑center on‑premise nécessite des outils d’automatisation avancés. De plus, la dépendance à VMware Cloud Foundation 9.1 implique que toute mise à jour majeure du produit devra être testée en profondeur pour éviter des ruptures de compatibilité avec les drivers GPU Broadcom.
À moyen terme, Everpure devra surveiller l’évolution des standards de conteneurisation IA (ex. KubeFlow, Tekton) afin de garantir que son architecture reste compatible avec les nouvelles pipelines d’entraînement. L’accent mis sur les objectifs business plutôt que sur la simple disponibilité d’une « grande infrastructure IA » constitue une orientation durable, mais elle requiert une discipline continue de mesure des KPI métier pour justifier chaque composant matériel ajouté.
