Moins d’efforts, plus de résultats : Une stratégie de données axée sur les charges de travail pour l’IA d’entreprise

Points clés

• Une stratégie solide en matière de données pour l’IA d’entreprise permet aux charges de travail d’accéder à des données fiables sans qu’il soit nécessaire de copier chaque jeu de données vers un emplacement unique.
• Les données prêtes pour l’IA doivent être précises, à jour, sécurisées, faciles à trouver et exploitables par les applications autorisées.
• Le traitement des données à proximité de leur emplacement d’origine permet de réduire les transferts inutiles et aide les entreprises à garder le contrôle.
• Les pipelines de données gouvernés et l’orchestration rendent la préparation des données reproductible à mesure que les projets d’IA passent de la phase pilote à la production. La Dell AI Data Platform avec NVIDIA fournit un socle de données gouverné au sein de Dell AI Factory avec NVIDIA, combinant l’infrastructure de données et l’orchestration de Dell avec l’accélération NVIDIA.

Les entreprises doivent élaborer une stratégie de données d’IA d’entreprise qui mette à disposition des données fiables et gouvernées là où les charges de travail d’IA en ont besoin, tout en réduisant les transferts de données inutiles. Disposer de données prêtes pour l’IA n’est qu’une partie de l’équation. Les entreprises ont également besoin d’un accès contrôlé et d’une méthode reproductible pour préparer et fournir des informations à mesure que les projets d’IA prennent de l’ampleur.

Les données d’entreprise sont déjà réparties sur un plus grand nombre de sites. Dell Technologies, s’appuyant sur une étude de Gartner, indique que 75 % des données gérées par les entreprises sont créées et traitées en dehors des centres de données traditionnels. À mesure que de plus en plus d’informations sont générées en périphérie et dans des environnements distribués, les entreprises doivent décider s’il faut déplacer les données ou rapprocher le traitement de celles-ci.

Quelle stratégie en matière de données les entreprises doivent-elles adopter pour supporter les charges de travail liées à l’IA ?

Les entreprises doivent concevoir leur stratégie en matière de données pour l’IA en fonction des exigences de chaque charge de travail. Pour chaque cas d’utilisation de l’IA, les équipes doivent d’abord identifier les données dont la charge de travail a besoin et les règles régissant leur accès. Elles peuvent ensuite déterminer le niveau d’actualité requis pour ces données et le lieu où leur traitement doit avoir lieu.

Gartner recommande d’aligner les données sur des cas d’utilisation spécifiques de l’IA et d’identifier les sources de données ainsi que les exigences de gouvernance propres à chacun d’entre eux. 

La Dell AI Data Platform avec NVIDIA prend en charge la découverte, la préparation, la recherche et l’orchestration régie des données, quel que soit leur emplacement. Ses moteurs de données et d’orchestration peuvent aider les équipes à trouver, préparer, enrichir et relier des informations structurées, semi-structurées et non structurées au sein de pipelines régis et reproductibles pour les projets d’IA. La plateforme est conçue pour conserver les données là où elles sont régies et ne déplacer que ce dont la charge de travail a besoin. 

La technologie NVIDIA accélère ce socle de données grâce au calcul accéléré par GPU, à la mise en réseau et aux logiciels d’IA.  Au sein de la Dell AI Data Platform avec NVIDIA, des technologies telles que NVIDIA RAPIDS, cuVS, les unités de traitement de données (DPU) NVIDIA BlueField et NVIDIA AI Enterprise peuvent contribuer à accélérer la préparation, l’indexation et la récupération des données, ainsi que le déploiement d’applications d’IA, tout en préservant les contrôles d’entreprise.

Comment rendre les données d’entreprise « prêtes pour l’IA » ?

Les données « prêtes pour l’IA » sont des informations qu’une charge de travail autorisée peut trouver, comprendre et utiliser sous la forme dont elle a besoin. Cela signifie que les données doivent être fiables et à jour, mais aussi faciles à découvrir et accessibles par l’application appropriée. Un ensemble de données peut être techniquement disponible tout en restant difficile à utiliser si une application ne peut pas déterminer s’il est fiable ou adapté à la tâche.

Les données prêtes pour l’IA doivent être :

• Précises et à jour : suffisamment fiable pour la charge de travail prévue.
• Détectables : faciles à trouver et à comprendre par les applications autorisées.
• Sécurisées : accessibles uniquement aux utilisateurs et aux charges de travail approuvés.
• Traçables : étayées par des métadonnées et une traçabilité.
• Adaptées à l’usage prévu : disponibles dans un format que le cas d’utilisation peut réellement exploiter.

Les données d’entreprise alimentant les applications d’IA sont souvent non structurées, fragmentées et en constante évolution, ce qui complique leur préparation. La Dell AI Data Platform avec NVIDIA relève ce défi en associant les moteurs de données et de stockage de Dell à une infrastructure accélérée par NVIDIA et à des logiciels d’IA. Ensemble, ces fonctionnalités aident les entreprises à identifier, préparer et exploiter leurs données en temps réel pour les applications d’IA.

De nombreuses entreprises ont encore du chemin à parcourir avant que leurs données puissent prendre en charge de nouveaux cas d’utilisation de l’IA. Selon Gartner, 90 % des responsables des données et de l’analyse (CDAO) estiment que leur architecture de données actuelle doit être entièrement repensée pour prendre en charge ces nouveaux cas d’utilisation de l’IA. La Dell AI Data Platform répond à ces besoins grâce à des fonctionnalités de découverte, de préparation, de recherche et de pipelines régulés. Les équipes peuvent utiliser ces fonctionnalités pour transformer les informations brutes de l’entreprise en ensembles de données adaptés aux modèles et aux applications d’IA.

Comment les entreprises peuvent-elles réduire les transferts de données inutiles pour les charges de travail d’IA ?

Les entreprises peuvent réduire les transferts de données inutiles en traitant les informations au plus près de leur emplacement d’origine, lorsque la charge de travail le permet. Certaines données devront tout de même être copiées, transformées ou transférées, notamment lorsque les applications combinent plusieurs sources. 

Avant de déplacer des données, les équipes doivent d’abord déterminer si la charge de travail nécessite réellement une copie locale. Elles doivent également évaluer le degré d’actualité requis pour ces informations par rapport aux éventuelles restrictions concernant leur emplacement de stockage. Si le déplacement des données implique une infrastructure supplémentaire à gérer sans apporter de gain de performances significatif, il peut s’avérer plus judicieux de maintenir le traitement au plus près de la source.

Il ne s’agit pas d’une stratégie générale consistant à « ne jamais déplacer les données ». Il s’agit d’une approche basée sur la charge de travail : conserver les données près de leur source lorsque la proximité, la gouvernance, l’actualité ou l’échelle sont importantes, et déplacer ou copier les données lorsque la charge de travail justifie clairement cette opération.

À mesure que les données d’entreprise s’étendent au-delà des centres de données traditionnels, les organisations peuvent être amenées à en traiter une plus grande partie à proximité du lieu où elles sont générées. Le fait de rapprocher le traitement des données permet de réduire les transferts entre les sites centralisés tout en répondant aux exigences en matière de sécurité, d’audit et de souveraineté des données.

Les charges de travail d’IA peuvent également s’exécuter là où les données résident déjà. La plateforme Dell AI Data Platform avec NVIDIA constitue le socle de données de la Dell AI Factory avec NVIDIA, aidant les entreprises à relier des données d’entreprise gérées à des charges de travail d’IA tout en conservant les données, les modèles et les opérations au sein d’environnements de confiance. Les entreprises peuvent recourir à cette approche lorsque la confidentialité, la localisation ou le volume des données rendent les transferts à grande échelle peu pratiques.

Selon NVIDIA, les unités de traitement de données (DPU) BlueField-3 accélèrent l’accès entre les initiateurs, les contrôleurs et les cibles de stockage, permettant ainsi à plusieurs GPU de partager les mêmes magasins de données. NVIDIA affirme que cette approche peut réduire la charge du processeur à mesure que les charges de travail d’IA évoluent.

Comment les entreprises peuvent-elles améliorer l’accessibilité des données pour l’IA tout en préservant la gouvernance et le contrôle ?

Les entreprises peuvent améliorer l’accessibilité des données pour l’IA en accordant aux charges de travail approuvées l’accès aux données dont elles ont besoin, tout en appliquant des contrôles de gouvernance. Les règles existantes en matière de propriété et d’accès doivent continuer à s’appliquer à mesure que de nouveaux modèles et applications se connectent aux données de l’entreprise.

Voici quelques exemples de contrôles de gouvernance concrets :

• Contrôles d’accès :  limiter l’accès aux données en fonction du rôle, d’un attribut ou d’une charge de travail.
• Propriété et traçabilité : consigner qui est propriétaire des données et comment celles-ci évoluent au fil du temps.
• Protection des données sensibles : recourir au masquage, à la caviardage ou à la tokenisation lorsque cela s’avère nécessaire.
• Règles de conservation : définir quand les données doivent être conservées ou supprimées.
• Surveillance continue : suivre la qualité des données et leur accès au fil du temps.

Les pipelines régis par la gouvernance peuvent appliquer ces contrôles lors de la préparation des données. La Dell AI Data Platform avec NVIDIA permet d’indexer et de préparer des informations non structurées, puis de les relier à des pipelines régis par la gouvernance pour la découverte des données et la création d’ensembles de données. Un chemin géré pour la préparation peut réduire la dépendance aux copies ad hoc et donner aux équipes un moyen défini d’appliquer les exigences d’accès, de lignage, de qualité et de gouvernance avant que les données n’atteignent une charge de travail d’IA. 

L’infrastructure accélérée par NVIDIA et les logiciels d’IA apportent des contrôles de sécurité à la solution intégrée, notamment l’application des politiques, l’isolation et le chiffrement des données au repos et en transit. Ces contrôles viennent compléter les capacités de Dell en matière de stockage, de cyber-résilience, d’accès et de gouvernance.

La gouvernance repose également sur la connaissance de l’identité du propriétaire des données, des personnes autorisées à les utiliser et de la manière dont elles sont gérées au fil du temps. Dans le cadre de l’élaboration de son profil de gouvernance et de gestion des données, le National Institute of Standards and Technology (NIST) met l’accent sur la gestion des accès et le maintien de la qualité des données. Il préconise également de disposer de métadonnées suffisantes pour indiquer la provenance des données et leur évolution au fil du temps. Une propriété clairement définie et des règles d’accès cohérentes permettent aux équipes de mettre les données à la disposition des applications d’IA sans perdre le contrôle sur leur utilisation.

Comment l’orchestration et les pipelines de données aident-ils les entreprises à faire évoluer leur IA ?

L’orchestration et les pipelines de données aident les entreprises à faire évoluer leur IA en rendant la préparation et la diffusion des données reproductibles. Gartner recommande de mettre en place des pipelines de données tant pour les ensembles de données destinés à l’entraînement des modèles que pour les flux de données en temps réel vers les systèmes d’IA en production. 

Les pipelines de données prennent en charge les tâches de préparation récurrentes, tandis que l’orchestration des données coordonne le moment où ces pipelines s’exécutent et la manière dont les informations circulent entre les différentes étapes. L’orchestration permet également de gérer la planification, les nouvelles tentatives et les dépendances entre les tâches, tout en assurant le suivi du parcours des données dans le pipeline. Ensemble, ces éléments offrent aux équipes un processus plus cohérent pour appliquer la validation et la gouvernance à mesure que de nouvelles charges de travail d’IA sont mises en production.

La Dell AI Data Platform avec NVIDIA peut indexer des milliards de fichiers non structurés et les relier à des pipelines gouvernés, accélérant ainsi la découverte des données et la création d’ensembles de données. Les services de données de Dell Technologies répondent aux défis liés à la préparation des données et à la complexité opérationnelle à mesure que les projets d’IA passent de la phase pilote à la production.

Plus de 6 500 clients avaient déployé Dell AI Factory en août 2026, selon l’analyse réalisée par Dell des données relatives aux commande des clients. La solution Dell AI Factory avec NVIDIA supporte les charges de travail d’IA, de l’entraînement au déploiement, en combinant l’infrastructure et les services Dell avec les capacités de calcul accéléré et les logiciels d’IA de NVIDIA. Une stratégie efficace en matière de données d’IA d’entreprise commence par une question simple : Où chaque charge de travail doit-elle accéder aux données dont elle a besoin et les traiter ? Répondre correctement à cette question permet de réduire les mouvements de données inutiles tout en offrant aux entreprises un meilleur contrôle à mesure que les projets d’IA prennent de l’ampleur.