Stockage pour l’IA : pourquoi les données deviennent le nerf des performances

L’intelligence artificielle est souvent associée aux grands modèles, aux assistants conversationnels et aux processeurs graphiques. Pourtant, une part essentielle de ses performances se joue en amont : dans la manière dont les données sont stockées, trouvées et acheminées vers les machines qui les traitent. Un GPU très puissant ne sert pas à grand-chose s’il reste en attente des fichiers nécessaires à son travail.

Cette contrainte devient centrale à mesure que les entreprises déploient des usages d’IA sur des images, des documents, des données industrielles, des séquences scientifiques ou des historiques d’activité. Ces contenus sont volumineux, souvent dispersés et parfois créés en continu. Les architectures de stockage conçues pour des requêtes informatiques plus traditionnelles ne répondent pas toujours à ce rythme. Au 6 août 2025, le stockage n’est donc plus un simple sujet d’infrastructure : il conditionne directement la vitesse, le coût et la fiabilité de nombreux projets d’IA.

Pourquoi l’IA met-elle le stockage sous pression ?

Un système d’IA suit un cycle de données particulièrement exigeant. Pour entraîner un modèle, il faut rassembler de grands jeux de données, les nettoyer, les lire à plusieurs reprises et envoyer des lots d’informations aux processeurs. En production, il faut aussi retrouver rapidement les contenus pertinents pour répondre à une requête, alimenter un moteur de recommandation ou analyser un flux issu d’un équipement.

Les modèles modernes, et plus encore les systèmes articulés autour de nombreux agents logiciels, sollicitent fréquemment les données de façon simultanée. Il ne s’agit plus uniquement d’archiver des fichiers pour les consulter occasionnellement. L’infrastructure doit servir un flux continu vers les unités centrales de traitement, les CPU, et surtout vers les unités de traitement graphique, les GPU, devenues indispensables aux calculs parallèles de l’IA.

Le problème est simple à énoncer, mais coûteux à résoudre : les GPU sont conçus pour effectuer un très grand nombre d’opérations en parallèle. Lorsqu’ils attendent les données, leur capacité de calcul est sous-utilisée. Or ces composants représentent une part significative de l’investissement d’un projet d’IA. Réduire les temps d’attente revient donc à améliorer les performances, mais aussi à mieux employer une infrastructure onéreuse.

Les architectures traditionnelles créent des détours coûteux

Les systèmes de stockage historiques ont été conçus pour répondre à des usages différents : enregistrer des fichiers, exécuter des transactions, sauvegarder des bases de données ou répondre à des demandes ponctuelles d’applications métier. Ils peuvent être très robustes, mais leur empilement de couches techniques devient parfois un frein lorsqu’un modèle doit lire massivement et en parallèle.

Dans une architecture complexe, une donnée peut traverser plusieurs étapes avant d’arriver dans la mémoire et les unités de calcul. Chaque transfert, copie, contrôle ou conversion ajoute de la latence. Dans le cas de l’IA, ce délai se répète à très grande échelle. Il risque alors de devenir le véritable goulot d’étranglement, davantage que la puissance théorique du processeur.

Le tableau ci-dessous résume le changement de logique auquel sont confrontées les organisations qui développent des usages d’IA.

Cette évolution ne rend pas les systèmes précédents inutiles. Les entreprises conservent souvent des environnements variés, parce que toutes les données ne présentent pas les mêmes besoins. En revanche, elle impose de distinguer les données destinées à nourrir une chaîne d’IA de celles qui doivent surtout être archivées, sauvegardées ou exploitées par des applications conventionnelles.

Le stockage objet, une base pour les données non structurées

Parmi les réponses à ces nouveaux besoins figure le stockage objet. Contrairement à une organisation classique en dossiers ou à une base relationnelle structurée en tables, ce modèle conserve chaque élément comme un objet auquel sont associés des métadonnées et un identifiant. Une image, un fichier audio, un document PDF ou un ensemble de données scientifiques peuvent ainsi être gérés à très grande échelle.

Ce fonctionnement intéresse particulièrement les projets d’IA, qui reposent fréquemment sur des données non structurées. Les métadonnées peuvent aider à retrouver, classer et gouverner les contenus. L’architecture est également pensée pour évoluer en ajoutant des capacités, plutôt qu’en imposant une refonte intégrale de l’environnement existant.

Cloudian, entreprise cofondée par Michael Tso et Hiroshi Ohta, se positionne sur ce terrain avec une plateforme de stockage objet évolutive. Selon l’entreprise, son infrastructure vise à fluidifier le passage des données entre le stockage, les CPU et les GPU, notamment grâce à des approches de calcul parallèle. L’objectif n’est pas seulement de conserver davantage de données, mais de les rendre exploitables sans multiplier les détours techniques.

La nuance est importante. Ajouter de la capacité de stockage ne règle pas automatiquement un problème de performance IA. Si les données restent éloignées du calcul ou nécessitent de trop nombreuses copies avant leur utilisation, le gain de capacité peut ne pas se traduire par un gain opérationnel. C’est la raison pour laquelle la proximité entre le calcul et les données devient une priorité d’architecture.

Rapprocher le calcul des données plutôt que l’inverse

Michael Tso défend l’idée que le stockage doit évoluer avec l’« effet réseau » des données : plus les volumes et les usages progressent, plus la valeur d’une infrastructure dépend de sa capacité à les rendre disponibles efficacement. Dans cette approche, le stockage cesse d’être un espace passif situé à l’écart du traitement. Il devient une composante active de la chaîne de calcul.

Ce principe répond aussi à une réalité concrète : les données sont générées dans de nombreux lieux. Usines, hôpitaux, laboratoires, bureaux, terminaux connectés et services cloud produisent chacun des informations qui peuvent servir à l’IA. Les transférer systématiquement vers un point unique consomme du temps, de la bande passante et des ressources de calcul.

L’évolution vers des infrastructures plus distribuées consiste donc à rapprocher les capacités de cloud et de traitement des endroits où les données apparaissent. Une usine peut, par exemple, analyser localement certains signaux de machines, tout en envoyant d’autres informations vers une plateforme plus centralisée. La bonne répartition dépend du volume de données, du délai de réponse attendu, des coûts de transfert et des contraintes de sécurité.

Les bases vectorielles rendent les contenus comparables

Cloudian a également élargi son offre autour des bases de données vectorielles. Derrière cette expression se trouve une technique importante pour l’IA générative et la recherche sémantique. Un modèle peut convertir un texte, une image, un extrait audio ou un produit en une série de nombres appelée vecteur, ou représentation vectorielle. Des contenus dont le sens ou les caractéristiques se ressemblent occupent alors des positions proches dans cet espace mathématique.

Ce mécanisme permet de chercher autre chose qu’un mot-clé exact. Un assistant virtuel peut retrouver les passages les plus pertinents d’une documentation interne. Un moteur de recommandation peut identifier des articles ou produits similaires. Une application d’analyse peut rapprocher des images présentant des caractéristiques communes.

L’intérêt d’intégrer ces fonctions à l’infrastructure de données est de limiter les opérations de préparation et de déplacement. D’après la présentation de Cloudian, sa plateforme peut convertir des données en vecteurs en temps réel et effectuer des calculs nécessaires à l’alimentation d’outils avancés. Cela vise à fournir aux modèles des informations déjà organisées dans une forme exploitable.

Une base vectorielle ne remplace toutefois pas l’ensemble du stockage d’une entreprise. Les fichiers d’origine, les règles de conservation, les droits d’accès et les sauvegardes restent nécessaires. Elle répond à un besoin ciblé : retrouver rapidement des contenus proches selon leurs caractéristiques numériques. Sa qualité dépend aussi du modèle qui produit les vecteurs et de la qualité des données indexées.

Du robot industriel à la recherche médicale

L’évolution du stockage n’a d’intérêt que si elle soutient des applications concrètes. Cloudian indique compter près de 1 000 clients dans le monde, parmi lesquels figurent de grands fabricants et des agences gouvernementales. Ces environnements illustrent la diversité des données susceptibles d’alimenter des systèmes d’IA.

Dans l’industrie, l’un des grands constructeurs automobiles évoqués par l’entreprise utilise l’IA pour déterminer le moment approprié de maintenance de ses robots de fabrication. C’est le principe de la maintenance prédictive : plutôt que d’intervenir uniquement selon un calendrier fixe ou après une panne, l’organisation analyse les signaux disponibles afin d’anticiper un besoin d’entretien. Dans un tel cas, la circulation rapide de données entre les équipements, le stockage et les modèles peut conditionner l’utilité de l’analyse.

Dans la recherche médicale, Cloudian cite des collaborations avec la National Library of Medicine et le National Cancer Database pour le stockage d’ensembles de données essentiels. Les données de santé et de recherche peuvent être particulièrement volumineuses, qu’il s’agisse d’images, de séquences ou de dossiers structurés. Elles exigent aussi des règles de gouvernance et de protection renforcées. La performance n’autorise jamais à négliger ces impératifs.

Ces exemples rappellent qu’il n’existe pas une infrastructure universelle. Un site industriel, une institution scientifique et un service client n’ont ni les mêmes formats de données, ni les mêmes contraintes de délai, ni les mêmes exigences réglementaires. L’architecture doit donc être pensée en fonction de l’usage réel, et non de la seule promesse technologique.

Le partenariat avec NVIDIA vise à mieux alimenter les GPU

Cloudian met en avant un partenariat avec NVIDIA afin d’intégrer plus directement ses systèmes de stockage aux GPU. L’ambition est claire : réduire les frictions entre l’endroit où les données sont conservées et les composants qui les traitent. Une meilleure continuité du flux de données peut éviter que des processeurs graphiques restent inactifs, tout en réduisant certaines opérations de copie et les coûts associés au calcul.

Ce rapprochement reflète une tendance de fond dans l’infrastructure IA. Les entreprises ne choisissent plus séparément leurs serveurs, leur stockage et leurs accélérateurs. Elles cherchent à optimiser l’ensemble de la chaîne : collecte, préparation, indexation, transfert, entraînement, inférence et archivage. Une faiblesse à l’une de ces étapes peut ralentir tout le système.

Pour les responsables informatiques, l’enjeu est aussi économique. Les projets d’IA nécessitent souvent des investissements élevés en calcul. Mesurer le débit réel, les temps de lecture, l’utilisation effective des GPU et le coût des transferts est donc aussi important que comparer les capacités annoncées par les fournisseurs.

Ce qu’il faut surveiller dans l’infrastructure IA

À mesure que l’IA gagne des usages opérationnels, le stockage adapté à ses besoins devrait devenir un critère de compétitivité dans de nombreux secteurs. L’évolution ne se résume pas à acheter davantage de matériel. Elle suppose de revoir les flux de données, de déterminer où elles doivent être traitées et de limiter les copies inutiles.

Plusieurs questions devront guider les choix des entreprises : quelles données justifient un accès en temps réel ? Où sont-elles créées ? Quels modèles doivent y accéder ? Quels coûts de transfert et de calcul ces flux entraînent-ils ? Et quelles garanties de sécurité, de traçabilité et de conservation doivent être appliquées ?

Cloudian présente l’IA comme l’usage ultime de la donnée. L’expression résume bien le changement en cours : lorsqu’une donnée doit être interrogée par des modèles, comparée à d’autres contenus et mobilisée en continu, sa valeur dépend autant de son accessibilité que de sa conservation. Les plateformes capables d’unir stockage évolutif, calcul parallèle, recherche vectorielle et accès efficace aux GPU pourraient ainsi prendre une place déterminante dans l’architecture des entreprises.