Dossier stockage : quelles solutions pour l’IA ?

Introduction

Quelles solutions d’infrastructure choisir pour exécuter des projets d’IA dans son datacenter ? LeMagIT avait déjà consacré un dossier aux solutions serveur qui fournissent la bonne puissance de calcul, puis un autre aux équipements réseau qui supportent les débits et les protocoles nécessaires. Voici à présent celui consacré au troisième pan de ces architectures : le stockage.

Ce dossier se veut complémentaire du quarantième numéro de notre magazine Storage qui présentait déjà un premier lot de produits ainsi que des bonnes pratiques dans le domaine. Il est également utile de consulter notre dossier de couverture de l’événement Insight 2025, qui regroupe toutes les dernières annonces de NetApp concernant l’IA.

Il y a trois enjeux concernant le stockage de données dans le cadre d’un projet d’IA : il faut réunir les bonnes données en amont, les partager au bon format et les communiquer à la bonne vitesse.

Ne livrer qu’une sélection de données nettoyées, à l’analyse d’une IA, n’est pas qu’une question de RGPD. C’est tout autant éviter de noyer son IA avec des informations obsolètes. Aucune entreprise ne souhaite qu’un chatbot donne à ses clients ou ses collaborateurs des indications contre-productives. C’est pourtant bien ce qu’il se passera si on fait reposer la base de connaissance de cette IA sur la totalité des documents de travail, parmi lesquels il subsiste toujours de vieilles versions remplies de données périmées.

La solution est d’indexer les contenus. Des solutions de stockage s’efforcent de le faire automatiquement. Mais cela passe souvent par un mode de stockage de type objet, qui n’est pas celui dans lequel travaillent les applications des collaborateurs. Il faut donc que la solution de stockage soit capable à la fois de proposer les contenus en mode fichier, pour les collaborateurs, et en mode objet, pour que des règles filtrent en temps réel les contenus à ne pas communiquer à une IA. Et il faut aussi que cette solution de stockage convertisse les contenus à partager au format vectoriel, le seul que peut lire directement un LLM.

Dans le monde du datacenter, le précurseur en la matière a été NetApp, qui a fini par tout packager dans une solution clés en main : la baie AFX. En cloud, AWS a une longueur d’avance avec une nouvelle déclinaison de son service de stockage objet qui est désormais compatible avec les vecteurs : S3 Vectors.

Les solutions que nous évoquons ci-dessous ont chacune développé une approche propriétaire pour parvenir à un résultat similaire, qui inclut dans la plupart des cas une nouvelle caractéristique pour des baies de stockage : la capacité de réaliser elles-mêmes des calculs. Parce que mettre des données dans une base vectorielle ne correspond pas à un simple changement de format : il faut attribuer à chaque information des coordonnées selon sa signification. Et pour les déterminer, il faut déjà exécuter un LLM capable de comprendre ce que signifient les informations.

On en arrive ainsi à la problématique de la communication entre les unités de calcul de l’IA et les baies de stockage. C’est une question d’architecture. Et dans ce domaine, chaque fournisseur veut imposer la sienne, sans forcément promettre que des données préparées par l’un pour être aspirées le plus vite possible par des GPU Nvidia soient transposables telles quelles sur la baie de disques d’un concurrent.

Il n’est pas encore dit que, dans les projets d’IA, il sera facile de changer de fournisseur de stockage en cours de route. Même Nvidia vient d’annoncer sa manière propriétaire d’organiser les données sur disques, pour qu’elles soient lues de manière plus optimale par les LLM qu’exécutent ses GPU.

Un autre moyen d’accélérer la lecture des données est d’optimiser le fonctionnement matériel. Les stratégies sont encore plus hétéroclites. Hammerspace propose d’étendre virtuellement une baie de stockage externe aux SSD internes d’un serveur de calcul Nvidia. Phison propose l’inverse : étendre virtuellement la capacité mémoire des GPU Nvidia aux SSD externes. Graid propose que ce soient les GPU Nvidia qui gèrent eux-mêmes le stockage au plus bas niveau. MinIO part du principe que, puisque le stockage objet est le plus adapté, alors c’est essentiellement lui qu’il faut accélérer.

Rien n’est certain. Et, tant qu’à faire, peut-être qu’il est même opportun de faire l’impasse sur les solutions qui s’efforcent de mieux travailler avec les GPU Nvidia. Nous complétons ainsi ce dossier avec une dernière partie consacrée aux plateformes alternatives à celles de Nvidia. Elles se veulent plus standard, ouvertes à toutes les marques de GPU, de réseau ou de stockage. Et si elles tiennent leurs promesses, il est probable qu’elles rendent bien moins compliqué le choix d’une baie de disques.

1Stratégie-

L’enjeu de mieux préparer les données

2Architecture-

L’enjeu de communiquer de manière optimale avec les LLM

3Vitesse-

L’enjeu d’éviter que les GPU passent leur temps à attendre les données

4Alternatives-

L’enjeu de chercher des architectures plus standard que celles de Nvidia