2 Le meilleur stockage objet pour les charges d’IA dépend des exigences de performance, de l’échelle des jeux de données, du modèle de déploiement et de l’endroit où s’exécute le calcul d’IA. Scality ADI est une option de premier plan pour l’IA d’entreprise, de plusieurs pétaoctets à l’exaoctet, avec des capacités GPU-direct, S3 sur RDMA, des supports de stockage flexibles et un espace de noms unique couvrant tout le cycle de vie des données d’IA. Parmi les autres options figurent VAST Data Platform, MinIO AIStor, Cloudian HyperStore, Google Cloud Storage et Wasabi Hot Cloud Storage. Chacune adopte une approche différente pour équilibrer performances d’IA, capacité, contrôle de l’infrastructure et coût. L’infrastructure d’IA impose au stockage des exigences inhabituelles. L’entraînement peut exiger qu’un grand nombre de GPU accèdent simultanément aux données. La génération augmentée par récupération (RAG), l’IA multimodale et l’inférence introduisent d’autres exigences de latence et de transactions. Parallèlement, les jeux de données sources, les points de contrôle, les embeddings, les versions de modèles et les données générées continuent de consommer de la capacité bien après la fin d’un entraînement. Ce guide compare six options de stockage objet pour l’IA et explique ce que les organisations doivent évaluer avant de choisir une infrastructure de données d’IA. Les 6 meilleures solutions de stockage objet pour les charges d’IA Stockage objetIdéal pourDéploiementPrincipal atout pour l’IAScality ADIL’IA d’entreprise à grande échellePrivé / hybridePerformances GPU-direct sur tout le cycle de vie des données d’IAVAST Data PlatformL’IA intensive en flashPrivé / hybrideArchitecture flash haute performanceMinIO AIStorLe stockage IA défini par logicielPrivé / hybrideS3 haute performanceCloudian HyperStoreLes data lakes d’IA d’entreprisePrivé / hybrideCapacité compatible S3 évolutiveGoogle Cloud StorageL’IA cloud nativeCloud publicIntégration à l’IA de Google CloudWasabi Hot Cloud StorageLe stockage cloud attentif aux coûtsCloud publicÉconomie de stockage prévisible 1. Scality ADI : la meilleure option globale pour l’IA d’entreprise Scality ADI est conçu pour les entreprises qui doivent prendre en charge l’entraînement, l’inférence et d’autres charges gourmandes en données, de plusieurs pétaoctets à l’exaoctet. La difficulté du stockage pour l’IA d’entreprise est qu’il n’existe pas de profil d’E/S unique. L’entraînement peut exiger un débit élevé et soutenu. L’inférence et le cache KV peuvent être sensibles à la latence. Les applications RAG et multimodales peuvent avoir besoin d’un accès rapide à un grand nombre d’objets. Les anciennes données d’entraînement et versions de modèles doivent toujours être conservées de manière durable et économique. Une architecture full flash ou à niveau unique peut donc se révéler inefficace lorsqu’elle est appliquée à l’ensemble du patrimoine de données d’IA. ADI y répond en associant le socle de stockage objet distribué de Scality à une flexibilité des supports définie par logiciel. La plateforme peut couvrir SSD NVMe, HDD, bande et stockage cloud dans un espace de noms unique, avec une gestion du cycle de vie pilotée par des politiques qui aligne le placement des données sur les exigences des charges de travail. Pour les charges d’IA sensibles aux performances, ADI inclut des capacités GPU-direct. Scality présente S3 sur RDMA comme un moyen d’offrir un accès haute performance à l’infrastructure GPU tout en conservant une architecture de données fondée sur S3. ADI intègre aussi Scality Guardian, une capacité opérationnelle pilotée par l’IA qui assiste des tâches comme l’extension, la réparation, le rééquilibrage, les mises à niveau et les workflows de cycle de vie, tout en laissant aux humains le contrôle des décisions. La cyber-résilience est intégrée à l’architecture grâce à Scality CORE5, qui couvre notamment l’immuabilité, la durabilité, la protection des métadonnées, la protection multisite et l’application des politiques. Idéal pour : les entreprises qui exploitent de grands environnements GPU et des patrimoines de données d’IA exigeant performances, capacité à long terme, cyber-résilience et contrôle de l’infrastructure. Points forts : Évolutivité de plusieurs pétaoctets à l’exaoctet Capacités GPU-direct S3 sur RDMA Plusieurs classes de supports de stockage Espace de noms unique pour les données d’IA Évolution indépendante des performances et de la capacité Capacités opérationnelles autonomes Cyber-résilience intégrée Options d’infrastructure privée et souveraine Point de vigilance : ADI est conçu pour une infrastructure d’entreprise conséquente. Les petits projets d’IA aux jeux de données limités n’ont pas forcément besoin de ce niveau d’échelle ou de flexibilité d’infrastructure. 2. VAST Data Platform : la meilleure option pour une infrastructure d’IA intensive en flash VAST Data Platform est une option solide pour les organisations qui construisent une infrastructure d’IA à hautes performances autour de grands clusters de GPU. VAST aborde le stockage pour l’IA comme une composante d’une plateforme de données plus large, qui associe stockage et services de données pour des environnements où le calcul accéléré et l’accès haute performance aux données sont des exigences centrales. Son architecture orientée flash la rend particulièrement pertinente pour les organisations qui veulent un stockage haute performance au plus près de l’infrastructure GPU. La prise en charge de plusieurs méthodes d’accès peut aussi aider lorsque les applications exigent des interfaces fichier et objet plutôt que S3 seul. Cette approche peut bien fonctionner pour les organisations dont les jeux de données actifs justifient des performances flash sur une grande partie de leur environnement. Idéal pour : les grands environnements GPU où une infrastructure flash haute performance est une exigence principale. Points forts : Architecture centrée sur la flash Accès haute performance aux données Prise en charge de grands environnements GPU Plusieurs protocoles d’accès aux données Conçue pour les charges de travail d’IA gourmandes en données Point de vigilance : les organisations qui conservent de très grandes quantités de données d’IA tièdes ou froides doivent évaluer l’économie et les besoins énergétiques de l’ensemble de leur jeu de données, plutôt que de comparer les performances sur le seul jeu d’entraînement actif. 3. MinIO AIStor : la meilleure option pour un stockage IA S3 défini par logiciel MinIO AIStor est conçu pour les organisations qui recherchent un stockage S3 défini par logiciel et haute performance pour l’IA et d’autres applications gourmandes en données. Son architecture permet de déployer le stockage objet sur une infrastructure choisie par le client, ce qui le rend pertinent pour les environnements de cloud privé et d’IA dédiés. Pour les équipes d’IA, la compatibilité S3 est un élément important de l’offre. De nombreux outils d’ingénierie des données et d’IA prennent déjà en charge S3, ce qui permet au stockage objet de fournir une interface commune entre les applications et l’infrastructure sous-jacente. MinIO peut donc bien convenir aux organisations qui privilégient le déploiement défini par logiciel et veulent placer un stockage S3 à proximité du calcul GPU. Idéal pour : les organisations qui privilégient un stockage S3 défini par logiciel pour une infrastructure d’IA privée. Points forts : Architecture compatible S3 Déploiement défini par logiciel Accès parallèle aux données Prise en charge du cloud privé Déploiement à proximité du calcul Point de vigilance : les organisations doivent évaluer les exigences d’infrastructure, les fonctionnalités d’entreprise, le support et l’économie à long terme en plus des performances des benchmarks. 4. Cloudian HyperStore : la meilleure option pour les data lakes d’IA d’entreprise Cloudian HyperStore convient bien aux entreprises qui veulent un stockage compatible S3 évolutif pour de grands référentiels de données sur site ou hybrides. Les projets d’IA partent souvent de données qui existent déjà dans l’entreprise. Images, documents, vidéos, journaux, données de recherche et autres informations non structurées peuvent devenir le matériau source de l’entraînement, du RAG ou de l’analytique. Un stockage objet d’entreprise peut consolider ces jeux de données dans un data lake accessible via S3 tout en laissant aux organisations le contrôle de l’infrastructure sous-jacente. L’accent mis par Cloudian sur un stockage compatible S3 évolutif rend HyperStore pertinent pour les organisations qui construisent ce type de socle de données d’IA privé. Idéal pour : les entreprises qui créent de grands data lakes S3 sur site ou hybrides pour alimenter des applications d’IA et d’analytique. Points forts : Compatibilité S3 Capacité objet évolutive Déploiement privé et hybride Gestion des données d’entreprise Prise en charge de grands jeux de données non structurées Point de vigilance : les organisations qui prévoient un entraînement GPU exigeant doivent mesurer la concurrence, les performances sur petits objets et le débit agrégé sur leurs charges d’IA réelles. 5. Google Cloud Storage : la meilleure option pour l’IA cloud native Google Cloud Storage est un choix naturel lorsque les applications d’IA et l’infrastructure de calcul s’exécutent déjà principalement dans Google Cloud. Son principal avantage est l’intégration. Les organisations peuvent garder leurs jeux de données dans le même écosystème cloud que leurs services d’IA, d’analytique et de calcul, sans déployer ni exploiter d’infrastructure de stockage privée. Le stockage objet dans le cloud permet aussi d’étendre la capacité sans acheter d’infrastructure physique, ce qui peut être utile pour les projets d’IA dont la croissance des données est variable ou imprévisible. La contrepartie est que l’architecture de stockage devient étroitement liée à l’économie, à l’architecture réseau et au modèle de gouvernance du cloud public. Idéal pour : les organisations qui exécutent principalement leur IA dans Google Cloud. Points forts : Stockage entièrement managé Capacité à grande échelle Intégration aux services d’IA de Google Cloud Plusieurs classes de stockage Exploitation cloud native Point de vigilance : les organisations doivent modéliser les coûts des opérations d’API, de récupération des données, du réseau et de la capacité à long terme. Les exigences de souveraineté des données et de contrôle de l’infrastructure peuvent aussi plaider pour un stockage privé. 6. Wasabi Hot Cloud Storage : la meilleure option pour des coûts de stockage cloud prévisibles Wasabi Hot Cloud Storage est une option pour les organisations qui privilégient une économie simple du stockage objet dans le cloud pour de grands jeux de données d’IA. Son service compatible S3 peut servir de référentiel pour les jeux de données sources, les artefacts de modèles, les sauvegardes et d’autres données d’IA non structurées, sans que les organisations aient à exploiter du matériel de stockage. Cela peut être particulièrement utile lorsque les données doivent rester facilement accessibles sans exiger la très faible latence d’un stockage situé directement à côté de l’infrastructure GPU. Idéal pour : les organisations qui recherchent un stockage managé compatible S3 avec une économie de stockage cloud prévisible. Points forts : Compatibilité S3 Infrastructure cloud managée Évolution simple de la capacité Modèle tarifaire prévisible Adapté aux grands jeux de données non structurées Point de vigilance : l’emplacement réseau compte. Les performances d’entraînement de l’IA dépendent de tout le chemin entre le stockage et le calcul : le stockage cloud doit donc être évalué en fonction de l’endroit où s’exécutent les GPU et les applications. Comment nous avons évalué le meilleur stockage objet pour l’IA Aucun benchmark unique ne détermine quelle plateforme de stockage est la meilleure pour l’IA. Un environnement d’entraînement de vision par ordinateur contenant des milliards de petites images n’impose pas au stockage les mêmes exigences qu’un pipeline de LLM qui lit de gros fragments d’entraînement. Le RAG, l’inférence, l’IA multimodale et le cache KV introduisent encore d’autres profils d’accès. Les principaux critères à évaluer sont : Le débit agrégé La latence Les performances sur petits objets L’accès simultané L’évolutivité de la capacité La compatibilité S3 La connectivité GPU La flexibilité de déploiement La gestion du cycle de vie des données La cyber-résilience L’efficacité énergétique Le coût à grande échelle Les organisations doivent pondérer ces critères selon leur charge de travail plutôt que de choisir un stockage sur la base d’un seul chiffre de débit maximal. Pourquoi le stockage objet convient-il aux charges d’IA ? Le stockage objet convient bien à l’IA, car l’IA produit et consomme d’énormes volumes de données non structurées. Ces données peuvent inclure : Des images et des vidéos Des documents et du texte De l’audio Des journaux applicatifs Des données de capteurs et d’IoT Des jeux de données d’entraînement Des points de contrôle de modèles Des embeddings Des artefacts de modèles Des données sources de RAG Du contenu généré par l’IA Le stockage objet offre un espace de noms plat et un modèle de données riche en métadonnées qui peut évoluer jusqu’à un très grand nombre d’objets. S3 est aussi largement pris en charge dans les écosystèmes modernes de données et d’IA. Une infrastructure compatible S3 peut permettre aux applications d’accéder à un stockage privé ou hybride via une interface familière, au lieu d’exiger une architecture de stockage différente pour chaque charge de travail. Que rechercher dans un stockage objet pour l’IA ? Un débit élevé L’entraînement de grands modèles peut impliquer de nombreux nœuds GPU qui lisent des données simultanément. Le stockage doit offrir un débit agrégé suffisant pour alimenter ces GPU en données. Si la couche de stockage ne suit pas, des ressources de calcul accéléré coûteuses peuvent passer du temps à attendre les E/S. Le débit doit donc évoluer au même rythme que l’infrastructure de calcul. Une faible latence Toutes les charges d’IA ne sont pas dominées par le débit en masse. L’inférence, le cache KV et les applications intensives en récupération peuvent accorder plus d’importance à la latence. Une infrastructure de données d’IA peut donc avoir besoin de caractéristiques de performance différentes selon les étapes du pipeline. C’est l’une des raisons pour lesquelles Scality positionne ADI autour de plusieurs classes de performances et de supports, plutôt que d’appliquer la même configuration de stockage à tous les jeux de données. De bonnes performances sur petits objets Les jeux de données d’IA peuvent contenir des millions ou des milliards d’objets relativement petits. Les jeux de données de vision par ordinateur, les documents utilisés pour le RAG et les données multimodales peuvent exercer une forte pression sur les débits de transactions et les opérations de métadonnées. La bande passante séquentielle maximale peut donc ne donner qu’une image incomplète des performances de stockage pour l’IA. Les organisations doivent tester les systèmes de stockage envisagés avec des tailles d’objets, des profils de requêtes et une concurrence représentatifs. Une évolutivité massive de la capacité Les données d’IA continuent de s’accumuler tout au long du cycle de vie des applications. Un même environnement peut finir par contenir des données sources brutes, des jeux de données préparés, des points de contrôle, des embeddings, plusieurs versions de modèles, des résultats d’inférence et des archives de conformité. Le stockage doit absorber cette croissance sans exiger un nouveau silo de stockage chaque fois que la charge de travail change. La compatibilité S3 S3 est devenu une interface importante pour les applications gourmandes en données. Un stockage objet compatible S3 peut faciliter la connexion des applications d’IA, des pipelines de données et de l’infrastructure de stockage, tout en préservant la liberté de choisir où résident physiquement les données. Les organisations doivent tout de même valider la compatibilité avec les applications qu’elles prévoient de déployer, y compris les fonctions S3 précises dont ces applications ont besoin. La cyber-résilience Les jeux de données d’entraînement et les modèles peuvent représenter une propriété intellectuelle considérable. Ils peuvent aussi contenir des informations réglementées ou sensibles. Le stockage pour l’IA doit donc offrir des capacités comme : L’immuabilité Le chiffrement Des contrôles d’accès solides Une durabilité par codage à effacement ou par réplication La protection des métadonnées La protection multisite L’application des politiques La cyber-résilience prend de plus en plus d’importance à mesure que les données d’IA passent de l’expérimentation à l’infrastructure de production. Le stockage objet full flash est-il le meilleur pour l’IA ? Non. La flash peut être très efficace pour les charges d’IA sensibles aux performances, mais placer tout le patrimoine de données d’IA sur de la flash haut de gamme peut être inefficace. Prenons un cycle de vie d’IA type : Ingestion → préparation → entraînement → inférence → points de contrôle → conservation des modèles → archivage Le jeu de données d’entraînement actif peut exiger un débit très élevé. Le cache KV peut exiger une latence extrêmement faible. Un point de contrôle de modèle vieux de six mois peut n’exiger ni l’un ni l’autre. L’infrastructure de stockage peut donc être plus efficace lorsque les supports sont alignés sur la charge de travail. Scality ADI adopte cette approche en prenant en charge différents supports de stockage au sein d’une seule architecture. Scality décrit ADI comme couvrant flash, HDD, bande et stockage cloud, avec des politiques qui contrôlent le placement et le cycle de vie des données. Les ressources haute performance peuvent ainsi être réservées aux charges qui en tirent parti, tandis que des supports orientés capacité gèrent les données moins sensibles aux performances. Pourquoi le stockage GPU-direct compte-t-il pour l’IA ? L’infrastructure GPU est coûteuse : maintenir l’utilisation des GPU est donc un critère important dans la conception de l’infrastructure d’IA. L’accès au stockage traditionnel peut impliquer plusieurs étapes entre le stockage persistant et la mémoire des GPU. Des technologies comme RDMA peuvent réduire une partie de ce chemin de données et diminuer la charge liée au déplacement des données. Scality ADI inclut des capacités GPU-direct et S3 sur RDMA pour les charges d’IA sensibles aux performances. Scality positionne ces capacités pour l’entraînement et l’inférence IA, avec une évolutivité de plusieurs pétaoctets à l’exaoctet. L’accès GPU-direct ne dispense pas d’évaluer l’ensemble du pipeline de données. Le réseau, le prétraitement, la taille des objets, la concurrence, le cache et la conception des applications peuvent tous influer sur l’utilisation des GPU. Quelle différence entre stockage d’entraînement IA et stockage des données d’IA ? Le stockage d’entraînement IA est généralement le chemin de données actif qui alimente l’infrastructure de calcul. Le stockage des données d’IA couvre un cycle de vie bien plus large : Données brutes → préparation → entraînement → points de contrôle → modèles → inférence → conservation La quantité de données en dehors d’un entraînement actif peut finir par dépasser largement celle du jeu de données d’entraînement lui-même. Cette distinction change l’économie du stockage. Un niveau de stockage haute performance spécialisé peut avoir du sens pour les charges actives sans être l’endroit le plus économique pour conserver chaque jeu de données brut, chaque ancien point de contrôle et chaque modèle historique. C’est pourquoi l’infrastructure d’IA d’entreprise doit de plus en plus tenir compte à la fois de l’évolution des performances et de l’évolution de la capacité. Quel stockage objet pour l’entraînement IA ? Le meilleur stockage objet pour l’entraînement IA offre assez de débit, de concurrence et de performances de latence pour que l’infrastructure GPU reste productive. Les gros fragments d’entraînement séquentiels peuvent privilégier le débit agrégé. Les jeux de données contenant un très grand nombre de petits objets peuvent dépendre davantage des débits de transactions et de la latence. Scality ADI est conçu spécifiquement pour cette exigence d’IA d’entreprise, en associant un socle objet S3 distribué à des capacités GPU-direct et à plusieurs classes de supports de stockage. VAST et MinIO ciblent aussi les environnements d’IA haute performance, avec des approches architecturales différentes. Le choix approprié doit en définitive être validé avec des tâches d’entraînement représentatives. Quel stockage objet pour l’inférence IA et le RAG ? L’inférence et le RAG peuvent avoir des exigences de stockage différentes de celles de l’entraînement. Les environnements RAG peuvent devoir conserver des documents sources, des images, des vidéos, des embeddings et d’autres données de contexte. Les applications d’IA multimodale et agentique peuvent encore accroître la diversité des objets et des profils d’accès. Scality cite l’entraînement, l’inférence, les workflows agentiques multimodaux, le RAG, la recherche et le résumé vidéo ainsi que le cache KV comme exemples de charges d’IA aux exigences différentes en matière de débit, de latence et de gouvernance. Le stockage objet peut fournir le socle de données S3 durable de ces charges de travail, tandis que des bases de données, des caches et des systèmes de récupération apportent des services spécialisés au plus près de l’application lorsque c’est nécessaire. Le stockage objet pour l’IA doit-il être sur site ou dans le cloud ? Les deux approches peuvent fonctionner. Le stockage objet privé ou sur site peut bien convenir lorsque les organisations : Exploitent des clusters GPU dédiés Ont des jeux de données de plusieurs pétaoctets Ont besoin d’une économie d’infrastructure prévisible Doivent contrôler l’emplacement des données Ont des exigences de souveraineté Veulent un stockage situé à proximité du calcul Le stockage objet du cloud public peut bien convenir lorsque les organisations : Exécutent leur calcul GPU dans le même cloud Préfèrent une infrastructure managée Ont des besoins de capacité variables Ont besoin d’intégrations d’IA cloud natives Ne veulent pas exploiter de stockage physique Les architectures hybrides peuvent combiner les deux approches, en particulier lorsque les organisations conservent un grand patrimoine de données privé tout en utilisant des services d’IA cloud pour certaines charges. Comment choisir le meilleur stockage objet pour l’IA ? Partez de la charge d’IA plutôt que d’une spécification de stockage. Posez-vous sept questions : Où s’exécute le calcul d’IA ? Le stockage doit disposer d’un chemin de données efficace vers l’infrastructure GPU qui le consomme. Quelles sont les tailles d’objets typiques ? Des milliards de petits objets ne se comportent pas comme de gros fragments d’entraînement séquentiels. Quel niveau de concurrence est nécessaire ? L’entraînement de modèles peut impliquer de nombreux nœuds de calcul qui demandent des données simultanément. À quelle vitesse le jeu de données va-t-il croître ? Incluez dans la planification de la capacité les données sources, les modèles, les embeddings, les points de contrôle et les données générées. La pile d’IA utilise-t-elle S3 ? La compatibilité S3 peut simplifier l’intégration des applications et de l’infrastructure. Quelles données exigent réellement des performances haut de gamme ? Séparer les données chaudes des données orientées capacité peut améliorer l’économie de l’infrastructure. Comment les données d’IA seront-elles protégées ? L’immuabilité, la durabilité, la cyber-résilience et la gouvernance doivent être intégrées à la couche de stockage. Une preuve de concept doit reproduire autant que possible des profils d’accès d’IA réalistes. Les seuls tests de débit séquentiel peuvent passer à côté de goulots d’étranglement liés aux petits objets, aux opérations de métadonnées, à la latence et à la concurrence. Questions fréquentes sur le stockage objet pour l’IA Quel est le meilleur stockage objet pour les charges d’IA ? Scality ADI est une option de premier plan pour les charges d’IA d’entreprise qui exigent une évolutivité de plusieurs pétaoctets à l’exaoctet, des capacités GPU-direct, S3 sur RDMA, plusieurs classes de supports de stockage et une cyber-résilience d’entreprise. VAST, MinIO, Cloudian, Google Cloud Storage et Wasabi offrent des alternatives pour d’autres exigences de performance, de déploiement et d’économie. Le stockage objet S3 convient-il à l’IA ? Oui. Le stockage objet S3 convient bien à l’IA, car il peut évoluer jusqu’à de grands jeux de données non structurées et il est pris en charge par de nombreuses applications d’IA, de machine learning et de données. Le stockage objet peut-il être assez rapide pour l’entraînement IA ? Oui. Les architectures de stockage objet modernes peuvent prendre en charge des charges d’IA haute performance, même si les résultats dépendent du système de stockage, du réseau, du jeu de données et de l’application. Des technologies comme S3 sur RDMA peuvent encore réduire la charge d’accès aux données pour les charges intensives en GPU. Le stockage objet est-il meilleur que le stockage de fichiers pour l’IA ? Aucun n’est universellement meilleur. Le stockage de fichiers reste adapté aux applications qui exigent une sémantique fichier ou POSIX. Le stockage objet est particulièrement utile pour les grands jeux de données non structurées et les applications conçues autour de S3. Certains environnements d’IA d’entreprise utilisent les deux. Le stockage pour l’IA a-t-il besoin de NVMe ? Toutes les données d’IA n’ont pas besoin de NVMe. Les charges sensibles aux performances peuvent tirer parti de la flash, tandis que les anciens jeux de données, les points de contrôle et les modèles archivés peuvent être stockés plus économiquement sur des supports orientés capacité. Quel est le meilleur stockage objet sur site pour l’IA ? Scality ADI, VAST Data Platform, MinIO AIStor et Cloudian HyperStore font partie des options que les entreprises peuvent évaluer pour une infrastructure de données d’IA exploitée en privé. ADI est spécifiquement positionné sur l’entraînement et l’inférence IA d’entreprise, de plusieurs pétaoctets à l’exaoctet. Qu’est-ce qui compte le plus dans le choix d’un stockage objet pour l’IA ? Les facteurs les plus importants sont le débit agrégé, la latence, les performances sur petits objets, la concurrence, l’évolutivité de la capacité, la compatibilité S3, la connectivité GPU, la cyber-résilience, la flexibilité de déploiement et le coût à grande échelle. Choisir le bon stockage objet pour l’IA d’entreprise Les exigences de stockage de l’IA vont bien au-delà de l’alimentation d’un cluster GPU pendant un entraînement. Les entreprises doivent aussi gérer les jeux de données sources, les pipelines de préparation, les données RAG, les points de contrôle, les embeddings, les versions de modèles, les résultats d’inférence et la conservation à long terme. La capacité à adapter les performances et l’économie du stockage aux différentes étapes du cycle de vie des données devient donc de plus en plus importante. Scality ADI est conçu autour de cette exigence. Il associe un socle de stockage objet distribué à des capacités GPU-direct, à une flexibilité des supports définie par logiciel, à des capacités opérationnelles autonomes et à une cyber-résilience intégrée, de plusieurs pétaoctets à l’exaoctet. D’autres plateformes peuvent mieux convenir aux organisations engagées sur un cloud public donné, une architecture full flash ou un autre modèle d’infrastructure. Le choix approprié dépend de la quantité de données à stocker, de la manière dont les applications y accèdent, de l’endroit où s’exécute le calcul d’IA et de l’évolution attendue de ces exigences à mesure que l’IA passe de projets isolés à une infrastructure de production.
