LEBIGDATA.FR I.A, Cloud & Cybersécurité
Les projets d’intelligence artificielle ont un vrai problème. Souvent , ils brillent lors des démonstrations… puis peinent à devenir de véritables outils opérationnels. Alors, NTT DATA et NVIDIA ont décidé d’intervenir.
Ensemble, ils lancent une nouvelle initiative destinée à accélérer le déploiement de l’intelligence artificielle dans les entreprises. Leur objectif consiste à proposer des usines d’IA, des plateformes construites autour des technologies NVIDIA.
Ces dernières combinent la puissance de calcul accélérée par GPU et la connectivité réseau haute performance de NVIDIA avec les logiciels d’IA d’entreprise. Notamment NVIDIA NeMo et les microservices NVIDIA NIM.
Ces plateformes accompagneront les organisations durant l’ensemble du cycle de vie de l’IA. C’est-à-dire, de l’entraînement des modèles au développement d’applications, tout en intégrant des règles de gouvernance strictes.
Elles visent à standardiser les résultats et à réduire le temps et le coût nécessaires pour transformer un projet pilote concluant en solution opérationnelle.
NeMo et NIM au cœur de la plateforme
Sur le plan technique, l’architecture repose principalement sur deux briques logicielles développées par NVIDIA. La première, NeMo, constitue une suite dédiée à la création de systèmes d’IA multi-agents sur des infrastructures accélérées par GPU.
La seconde, les microservices NIM. Ils proposent des conteneurs préconfigurés et optimisés pour GPU, accompagnés d’API permettant de déployer plus facilement des applications d’intelligence artificielle.
Ensemble, ces technologies forment ce que NTT DATA décrit comme une plateforme d’agents d’IA complète et prête pour la production. L’entreprise propose également des prototypes GenAI déjà pré-qualifiés, construits sur cette architecture.
L’objectif consiste à réduire la complexité technique et à accélérer le retour sur investissement pour les organisations qui souhaitent développer des applications spécifiques à leur secteur.
Pour John Fanelli, les entreprises recherchent désormais des plateformes à même d’accompagner leurs initiatives d’IA bien au-delà de la phase de test. Selon lui, les solutions proposées par NTT DATA permettent aux clients d’accéder à des environnements évolutifs et adaptés à leurs besoins métiers.
A quoi servent ces usines IA dans un contexte réel ?
Plusieurs exemples permettent déjà d’illustrer l’utilisation de ces plateformes dans des environnements concrets.
Dans le domaine médical par exemple, un centre de recherche spécialisé dans le cancer a exploité les plateformes NVIDIA HGX. Ces dernières sont en collaboration avec NTT DATA et Dell Technologies.
L’infrastructure permet au centre d’effectuer rapidement des analyses radiologiques avancées mais aussi d’accélérer l’évaluation de modèles destinés à soutenir la recherche clinique.
Dans l’industrie automobile, un équipementier mondial utilise une architecture d’usine basée sur l’IA et l’infrastructure NVIDIA afin de valider ses charges de travail directement sur le matériel avant un déploiement à grande échelle. Cette méthode lui a permis de réduire sensiblement les délais de mise en production.
Un troisième exemple provient du secteur technologique. Une entreprise américaine s’appuie sur les technologies de simulation accélérée et de visualisation 3D de NVIDIA.
Ces solutions servent à tester et optimiser une ligne de production de batteries de nouvelle génération. Ce qui permet de valider le fonctionnement de l’installation dans un environnement numérique avant même sa construction physique.
NTT DATA présente ainsi les usines d’IA d’entreprise comme un modèle adaptable à différents secteurs. La suite logicielle de NVIDIA agit comme une infrastructure commune. Quant aux applications, elles peuvent être personnalisées en fonction des besoins propres à chaque industrie.
Les obstacles qui attendent les usines d’IA
Les usines d’IA de NTT DATA et NVIDIA promettent d’accélérer le passage de l’expérimentation à la production. Pourtant, il faut comprendre que leur déploiement à grande échelle ne sera pas sans obstacles.
Le premier défi concerne l’infrastructure. Les plateformes reposent sur des architectures accélérées par GPU très puissantes, coûteuses et gourmandes en énergie.
Pour de nombreuses organisations, installer ou louer ce type d’environnement représente donc un investissement conséquent. Surtout lorsque les projets d’IA ne garantissent pas encore un retour immédiat.
La complexité technique constitue également un frein. Car, l’intégration de l’IA dans des systèmes informatiques existants reste un chantier délicat. D’ailleurs, ce n’est pas pour rien que beaucoup échouent là-dessus.
Le rapport du MIT State of AI in Business 2025 montre par exemple que 95 % des projets pilotes d’IA restent bloqués avant même d’apporter une vraie valeur métier. Et pourtant, les modèles sont mauvais. Ils ne s’adaptent seulement pas aux processus internes et aux systèmes existants.
Un autre défi concerne la gouvernance des données et la conformité réglementaire. Les modèles d’IA manipulent souvent des informations sensibles. Dans des secteurs comme la santé ou l’industrie, les organisations doivent garantir la sécurité, la traçabilité et la conformité aux réglementations locales.
Enfin, la question de la standardisation reste centrale. Chaque secteur possède ses propres contraintes métiers. Transformer une plateforme générique en solution réellement adaptée à un domaine précis demande encore beaucoup de personnalisation et d’expertise.
Restez à la pointe de l'information avec LEBIGDATA.FR !
- Partager l'article :
