La mise à l’échelle de l’intelligence artificielle, tout en garantissant la souveraineté des données et des infrastructures, repose moins sur une “percée” isolée que sur une exécution industrielle. Les parcours de responsables du calcul haute performance et de l’IA donnent un aperçu concret de la manière dont les organisations structurent leurs offres, leurs architectures et leurs modèles de déploiement pour répondre à des exigences élevées, notamment dans les environnements gouvernementaux et de recherche.

Des stratégies centrées sur l’industrialisation de l’IA

Chez Hewlett Packard Enterprise, la direction des solutions HPC et IA s’appuie sur une approche visant à transformer l’IA en capacités opérationnelles. L’enjeu consiste à concevoir des solutions “AI Factory” capables de passer de l’expérimentation à des déploiements sécurisés, capables de supporter une montée en charge et compatibles avec des contraintes nationales ou d’entreprise.

Cette logique passe par la définition d’une stratégie produit et d’une architecture de performance, mais aussi par des modèles de déploiement adaptés au contexte des clients. Les plateformes d’entraînement de grands modèles et les systèmes de calcul de type exascale s’inscrivent dans cette dynamique : ils permettent de standardiser des parcours techniques, de réduire les frictions de mise en œuvre et de mieux maîtriser les paramètres qui influencent le coût et la vitesse d’exécution.

Performance, ingénierie et intégration cloud

Un point récurrent concerne la performance, non seulement au niveau matériel, mais aussi côté ingénierie logicielle. L’optimisation porte sur la manière de faire fonctionner les charges de travail IA dans des environnements cloud-natifs, tout en assurant une exécution stable à grande échelle.

Dans cette optique, l’accent est mis sur des compétences couvrant plusieurs dimensions : performance engineering, ingénierie de service et intégration des systèmes. L’objectif est de rendre l’IA déployable plus rapidement, avec des garanties de robustesse et une meilleure prévisibilité opérationnelle.

Un pont entre sciences du calcul et découvertes

Au Oak Ridge National Laboratory, la direction du National Center for Computational Science illustre une autre facette du sujet : relier étroitement l’informatique, la science des données et les campagnes de découverte scientifique à grande échelle.

Dans ce contexte, l’enjeu de “mise à l’échelle” s’exprime à travers la capacité à faire tourner des pipelines scientifiques gourmands en calcul, mais aussi à exploiter les données à l’échelle. Le lien avec des institutions académiques et des sociétés savantes (comme IEEE et ACM) contribue également à consolider les pratiques et à diffuser des méthodes éprouvées.

Souveraineté et sécurité : une exigence d’architecture

La souveraineté ne se limite pas à la localisation : elle implique des mécanismes de gouvernance, des architectures capables de répondre à des exigences de confidentialité et des modèles de déploiement pensés pour des environnements où les contraintes sont strictes. La convergence entre systèmes HPC, plateformes d’entraînement et capacités de déploiement sécurisées vise précisément à offrir des trajectoires d’exécution fiables pour l’IA à grande échelle.

Deux repères matériels pour les environnements IA à grande échelle

• Pour une approche “poste de travail” orientée calcul, certains projets privilégient des machines avec GPU et stockage rapide. Un choix souvent étudié dans ce cadre est le poste de travail hautes performances avec SSD rapides et configuration GPU, afin de faciliter les phases de prototypage et d’optimisation avant déploiement.

• Lorsque l’on vise une organisation plus “infrastructure” (simulation, stockage et exécution de charges lourdes), les équipes s’orientent fréquemment vers des solutions de stockage évolutives. Le NAS/stockage réseau orienté entreprise est un exemple de catégorie de matériel qui peut accompagner les besoins de conservation et d’accès aux données, à condition d’intégrer les exigences de sécurité et de gouvernance propres au cas d’usage.

Au final, opérationnaliser l’IA “à l’échelle” et “en souveraineté” exige une discipline d’ingénierie et une capacité d’industrialisation. Les trajectoires présentées montrent comment les organisations structurent leurs compétences pour conjuguer performance, déploiement et gouvernance, afin de transformer l’IA en outil fiable pour les secteurs public et scientifique comme pour les entreprises.