A l’occasion de SIGGRAPH, la conférence académique annuelle sur l’IA, Nvidia a annoncé ce matin une nouvelle plateforme conçue pour permettre aux utilisateurs de créer, tester et personnaliser des modèles d’IA génératifs sur un PC ou une station de travail avant de les étendre à un centre de données et à un nuage public.
« Pour démocratiser cette capacité, nous devons faire en sorte qu’elle puisse fonctionner à peu près partout », a déclaré le fondateur et PDG de Nvidia, Jensen Huang, lors d’un discours d’ouverture de l’événement.
Baptisé AI Workbench, le service est accessible via une interface de base fonctionnant sur un poste de travail local. En l’utilisant, les développeurs peuvent affiner et tester des modèles à partir de dépôts populaires tels que Hugging Face et GitHub en utilisant des données propriétaires, et ils peuvent accéder à des ressources informatiques en nuage lorsque le besoin de passer à l’échelle se fait sentir.
Manuvir Das, vice-président de l’informatique d’entreprise chez Nvidia, explique que la création d’AI Workbench a été motivée par le défi – et la nature chronophage – de la personnalisation des grands modèles d’IA. Les projets d’IA à l’échelle de l’entreprise peuvent nécessiter de parcourir de nombreux référentiels pour trouver le bon cadre et les bons outils, un processus encore plus compliqué lorsque les projets doivent être déplacés d’une infrastructure à l’autre.
Il est certain que le taux de réussite du lancement de modèles d’entreprise en production est faible. Selon un sondage réalisé par KDnuggets, la plateforme de science des données et d’analyse commerciale, la majorité des scientifiques des données interrogés déclarent que 80 % ou plus de leurs projets échouent avant le déploiement d’un modèle d’apprentissage automatique. Une autre estimation de Gartner suggère que près de 85 % des projets de big data échouent, en partie à cause de blocages infrastructurels.
« Les entreprises du monde entier se précipitent pour trouver la bonne infrastructure et construire des modèles et des applications d’IA générative », a déclaré M. Das dans un communiqué. « Nvidia AI Workbench fournit un chemin simplifié pour les équipes inter-organisationnelles afin de créer les applications basées sur l’IA qui deviennent de plus en plus essentielles dans les entreprises modernes. »
Le jury n’a pas encore déterminé à quel point ce chemin est « simplifié ». Mais pour reprendre les propos de Das, AI Workbench permet aux développeurs de rassembler des modèles, des cadres, des SDK et des bibliothèques, y compris des bibliothèques pour la préparation et la visualisation des données, à partir de ressources open source dans un espace de travail unifié.
À mesure que la demande d’IA – en particulier d’IA générative – augmente, on assiste à un afflux d’outils axés sur l’adaptation de modèles généraux de grande envergure à des cas d’utilisation spécifiques. Des startups comme Fixie, Reka et Together visent à permettre aux entreprises et aux développeurs individuels d’adapter plus facilement les modèles à leurs besoins sans avoir à débourser des sommes considérables pour l’informatique en nuage.
Avec AI workbench, Nvidia propose une approche plus décentralisée de la mise au point, qui s’effectue sur une machine locale plutôt que sur un service en nuage. C’est logique, étant donné que Nvidia et son portefeuille de GPU accélérant l’IA sont susceptibles d’en bénéficier ; Nvidia mentionne de manière peu subtile sa gamme RTX dans le communiqué de presse annonçant la nouvelle. Mais les motivations commerciales de Nvidia mises à part, l’idée pourrait séduire les développeurs qui ne souhaitent pas être dépendants d’un nuage ou d’un service unique pour l’expérimentation de modèles d’IA.
La demande de GPU liée à l’IA a propulsé les bénéfices de Nvidia vers de nouveaux sommets. En mai, la capitalisation boursière de l’entreprise a brièvement atteint 1 000 milliards de dollars après que Nvidia ait déclaré un chiffre d’affaires de 7,19 milliards de dollars, en hausse de 19 % par rapport au trimestre fiscal précédent.