Contexte et objectifs
Les entreprises qui déploient des charges de travail d’intelligence artificielle voient leurs besoins en stockage et en calcul augmenter rapidement. Itamar Ankorion, responsable des alliances ISV chez Vast Data, indique que la multiplication des systèmes de stockage et des copies de données freine la scalabilité. L’objectif annoncé par Vast et Cloudera est de fournir une « fondation de données unifiée » capable de soutenir ces charges sans créer de silos supplémentaires, tout en conservant la performance requise par les applications critiques.
Architecture de la fondation de données unifiée
Le cœur de la proposition repose sur la capacité de la plateforme Vast à exposer le même fichier via plusieurs protocoles de stockage (NFS, S3, etc.). Cette approche élimine la nécessité de répliquer les jeux de données pour chaque protocole, ce qui réduit le volume de stockage actif et les coûts associés. En parallèle, les services de données de Cloudera Anywhere Cloud s’appuient sur cette couche unifiée pour offrir des fonctions de catalogage, de gouvernance et d’accès sécurisé. L’interopérabilité entre les protocoles et les services cloud crée une architecture où les applications de traitement, d’apprentissage automatique ou d’analyse peuvent consommer les mêmes objets sans transformation préalable.
Gestion des GPU et efficacité du traitement
Selon Ankorion, les GPU représentent le composant d’accélération le plus coûteux et le plus parallèle. La latence d’accès aux données constitue le principal facteur de sous‑utilisation des GPU. En plaçant les GPU « au cœur » de la chaîne de traitement et en garantissant que les données sont déjà présentes sur le même réseau de stockage, le système évite les temps d’attente. Cloudera renforce cet aspect en développant des « blueprints » d’ingénierie conjointe qui décrivent les meilleures pratiques pour charger les jeux de données dans la mémoire GPU, minimiser les copies intermédiaires et exploiter les capacités de bande passante du réseau.
Implications pour le déploiement d’IA en entreprise
Le modèle unifié propose plusieurs effets mesurables. Premièrement, il simplifie la chaîne d’approvisionnement des données, ce qui peut réduire le temps de mise en production des modèles d’IA. Deuxièmement, la réduction des copies de données diminue l’exposition aux incohérences de version et aux risques de conformité. Troisièmement, l’optimisation de l’accès GPU peut améliorer le ratio coût‑performance, même si aucun benchmark chiffré n’est fourni dans l’annonce. Enfin, la collaboration entre Vast et Cloudera implique un support partagé pour les environnements hybrides, mais la documentation publique ne détaille pas les exigences réseau ni les limites de capacité maximale, ce qui laisse une incertitude quant à la scalabilité au‑delà de quelques dizaines de pétaoctets.
