Contexte et enjeux de l’AI storage
Le sommet Supermicro Open Storage a mis en avant le rôle croissant du stockage dans les déploiements d’intelligence artificielle. Les intervenants ont souligné que la performance, le coût et la praticité des systèmes AI dépendent désormais davantage de la façon dont les données sont stockées, servies et gérées que du seul accélérateur matériel.
Hiérarchie de stockage et optimisation de l’inférence
Greg DiFraia (Scality) a rappelé que les charges d’inférence exigent des unités de traitement graphique (GPU) constamment alimentées en données. Il a indiqué que les clients manipulent « tens ou hundreds de petabytes, voire exabytes », dont seule une fraction vit en flash. La stratégie proposée consiste à répartir les données entre des niveaux de performance (flash) et de capacité (disques à haute densité) afin de maximiser l’utilisation des GPU. Anat Heilper (Vast Data) a ajouté que les caches clé‑valeur, lorsqu’ils dépassent la mémoire du GPU, doivent être déplacés vers des couches de stockage plus lentes mais toujours à accès rapide, ce qui « remplace le calcul par le stockage » et réduit la latence.
Systèmes de production et contrôles opérationnels
Moiz Kohari (DataDirect Networks) a illustré l’impact financier en citant les institutions financières telles que BlackRock ou State Street, qui gèrent « un trillion de dollars » avec un verrouillage de capital de 6 % à 12 %. En accélérant les transferts de données, les entreprises peuvent libérer cette portion de capital et la réaffecter. Vince Chen (Supermicro) a présenté une approche « vertically integrated » avec des configurations pré‑validées, qualifiées de « T‑shirt size », pour simplifier le déploiement d’infrastructures AI. Ruhi Sehgal (Nutanix) a rappelé que la mise en production implique la gestion du multi‑tenancy, la résilience et l’optimisation des performances, des exigences qui se retrouvent dans les environnements AI à grande échelle.
Lakehouse, formats ouverts et orchestration des données
Le troisième axe porte sur la mise à disposition des données d’entreprise. Greg DeMichillie (MinIO) a souligné que les architectures lakehouse basées sur des formats ouverts comme Apache Iceberg permettent de relier les analyses traditionnelles aux flux AI. MinIO AIStor supporte les tables Iceberg et le catalogue REST, tandis qu’AMD et Supermicro fournissent le compute, la mémoire et la connectivité nécessaires. Cette combinaison favorise l’accès unifié aux données structurées et non structurées, tout en conservant la gouvernance et la traçabilité requises par les organisations.
