Cet article a été initialement publié sur HELP NET SECURITY
Comme les modèles GenAI utilisés pour le traitement du langage naturel, la génération d’images et d’autres tâches complexes reposent souvent sur des ensembles de données volumineux qui doivent être transmis entre des emplacements distribués, y compris les centres de données et les appareils périphériques, l’optimisation du réseau étendu est essentielle pour un déploiement robuste des applications GenAI à grande échelle.
L’optimisation du WAN peut considérablement améliorer l’accélération de l’IA en améliorant les vitesses de transfert des données, en réduisant la latence et en optimisant l’utilisation des ressources du réseau, garantissant ainsi des temps de réponse plus rapides. 
Figure 1 : Optimisation du WAN pour l’accélération du réseau GenAI
Réduire le temps de latence : Les applications GenAI nécessitent un traitement des données en temps réel ou quasi réel.
Réduisez le temps de transmission des données et diminuez la latence grâce à l’optimisation du TCP et aux techniques de mise en cache.
Accélérer les applications en optimisant les protocoles pour réduire les frais généraux. Exemple : Un système d’IA distribué collecte des données à partir de plusieurs ressources, ce qui permet d’accélérer l’agrégation et le traitement des données.Accélérer le transfert des données : Des transferts de données plus rapides sont cruciaux pour les applications d’IA qui s’appuient sur de grands ensembles de données, comme les modèles d’apprentissage profond, qui doivent déplacer de grandes quantités de données entre le stockage, les unités de traitement et les outils d’analyse.
L’optimisation des protocoles permet un transfert de données plus efficace.
En outre, avec la parallélisation, maximisez le débit en divisant les transferts de données en flux parallèles. Exemple : Formation de modèles d’IA à l’aide de données provenant de différents sites géographiques ; l’optimisation du réseau étendu peut accélérer le transfert de données entre les centres de données, réduisant ainsi le temps de formation global.Améliorez l’efficacité de la bande passante : Les charges de travail d’IA sont gourmandes en bande passante en raison de l’échange fréquent d’ensembles de données volumineux entre les composants de l’infrastructure d’IA.
Grâce à la compression des données, minimisez la consommation de bande passante en réduisant la taille des données avant leur transmission.
Activez la déduplication pour éliminer les transferts de données redondants en envoyant des morceaux de données uniques. Exemple : La compression et la déduplication des données peuvent optimiser de manière significative la taille des données à transférer pendant la phase d’entraînement d’un modèle d’IA (données d’entraînement entre le stockage et les nœuds de calcul), accélérant ainsi le processus d’entraînement.Améliorez la fiabilité et la disponibilité : Les applications d’IA nécessitent souvent un accès constant et fiable aux données.
Les perturbations du réseau ou les pertes de paquets peuvent dégrader les performances de l’IA, voire entraîner des imprécisions dans les modèles.
Mettez en œuvre la correction d’erreur directe pour réduire l’impact de la perte de paquets et garantir l’intégrité des données.
Avec le basculement et l’équilibrage de charge, distribuez le trafic sur plusieurs chemins et fournissez des capacités de basculement pour maintenir la connectivité en cas de problèmes de réseau. Exemple : Pour les systèmes de négociation financière pilotés par l’IA qui s’appuient sur des flux de données en temps réel, une fiabilité accrue garantit une entrée de données continue et précise, préservant ainsi l’intégrité des algorithmes de négociation.Optimiser l’utilisation des ressources : L’utilisation efficace des ressources du réseau peut réduire les coûts opérationnels et améliorer les performances globales des systèmes d’IA en veillant à ce que les ressources de calcul ne restent pas inactives en attendant les données.
Grâce à la mise en forme du trafic et à la qualité de service (QoS), donnez la priorité au trafic de données critiques de l’IA pour que les opérations essentielles ne soient pas retardées.
Mettez en œuvre la surveillance et l’analyse du réseau pour obtenir des informations sur les performances du réseau et les schémas d’utilisation afin d’optimiser l’allocation des ressources. Exemple : Dans un service d’intelligence artificielle en nuage où les ressources informatiques sont fournies à la demande, l’optimisation du réseau étendu garantit que ces ressources sont utilisées efficacement, ce qui réduit les temps d’inactivité et les coûts d’exploitation. L’optimisation du WAN offre plusieurs autres avantages qui pourraient contribuer à accélérer les applications GenAI :
- Il améliore les performances des solutions d’informatique périphérique, qui sont de plus en plus utilisées dans l’IA pour traiter les données au plus près de la source.
- Il améliore l’accès aux services d’IA basés sur le cloud, en garantissant un transfert et un traitement efficaces des données entre les environnements sur site et dans le cloud.
- Il permet un traitement à distance efficace et un accès aux modèles et données d’IA centralisés, soutenant ainsi le développement et le déploiement de l’IA distribuée.
- Il rationalise les ressources réseau allouées de manière dynamique afin de répondre aux exigences changeantes des charges de travail de l’IA.
- Il prend en charge le cryptage pour protéger les données pendant le transit, ce qui est essentiel pour sécuriser les échanges de données d’IA.
- Il réduit la charge sur l’infrastructure du réseau, prolongeant sa durée de vie et réduisant les coûts de maintenance associés à l’exécution des applications GenAI.
SASE unifié en tant que service de secours
Le processus d’optimisation du réseau étendu (WAN) implique plusieurs procédures critiques :
- Une évaluation complète de l’infrastructure réseau existante et des charges de travail de l’IA, afin d’identifier les goulets d’étranglement et les domaines nécessitant une amélioration.
- Mise en œuvre de techniques de compression et de déduplication des données, afin de réduire de manière significative le volume des données transmises.
- Intégration de l’informatique de pointe dans l’infrastructure du réseau étendu, afin d’améliorer les capacités de traitement de l’intelligence artificielle.
En utilisant le SASE unifié en tant que service, les entreprises peuvent s’assurer que les optimisations pour les charges de travail d’IA sont mises en œuvre en toute sécurité, en combinant des fonctions de sécurité réseau telles que des passerelles web sécurisées, des pare-feux et un accès réseau de confiance zéro avec des capacités WAN.
Unified SASE permet également une mise à l’échelle dynamique, garantissant que les charges de travail d’IA peuvent accéder à une puissance de traitement adéquate en fonction des besoins.
La surveillance continue et la gestion adaptative du réseau à l’aide de SASE unifié en tant que service permettent de maintenir des performances optimales, de résoudre rapidement tout problème émergent et d’ajuster l’allocation des ressources en fonction de l’évolution de la demande des charges de travail d’IA.
Cette approche globale permet aux entreprises de maximiser les performances de leurs systèmes d’IA tout en maintenant une sécurité et une conformité solides.
Conclusion
Grâce à l’optimisation du réseau étendu, les entreprises peuvent réaliser des économies en maximisant les ressources existantes du réseau et en réduisant le besoin de mises à niveau coûteuses de l’infrastructure.
En fin de compte, cela favorise la croissance durable et le déploiement des technologies avancées de GenAI.