De l’infrastructure en périphérie à l’intelligence à grande échelle

Pour assurer un déploiement efficace de l’Edge AI à grande échelle, les entreprises doivent placer les charges de travail de façon stratégique, connecter les systèmes TI et TO et coordonner un écosystème technologique de plus en plus complexe.
S'abonner
4 min 30 s de lecture
Gaurav Sharma
Gaurav Sharma
Vice-président et chef mondial, PMG, stratégie, alliances et AI Factory, services de Cloud hybride, HCLTech
4 min 30 s de lecture
microphone microphone Listen à article
30s Backward
0:00 0:00
30s Forward
De l'infrastructure de périphérie à l’intelligence à grande échelle

Au cours des dernières années, j’ai constaté que la conversation autour de l’edge en entreprise a beaucoup évolué.

Auparavant, elle portait principalement sur l’infrastructure : comment rapprocher la capacité de calcul des données, réduire la latence et maintenir les opérations lorsque la connectivité était limitée. Ces priorités demeurent actuelles. Cependant, à mesure que l’AI s’intègre aux usines, commerces, hôpitaux, réseaux logistiques et actifs distants, la discussion passe du lieu où se déroule le calcul à l’endroit où l’intelligence doit agir.

Les implications dépassent largement l’infrastructure.

Cela transforme la façon dont les entreprises sélectionnent les cas d’usage, placent les charges de travail, intègrent la technologie de l’information (TI) et la technologie opérationnelle (TO), gouvernent les modèles d’AI et mesurent la valeur. L’infrastructure edge doit désormais soutenir les décisions et les actions à travers des opérations distribuées, plutôt que de simplement traiter les données localement.

Notre livre blanc récemment publié avec (anciennement Intelligent Edge) examine cette transition. est notre offre pour concevoir, déployer et gérer une infrastructure edge prête pour l’AI dans des environnements distribués, en réunissant infrastructure, AI, sécurité et capacités opérationnelles.

Passer de l’Edge 1.0 à l’Edge 2.0

De nombreuses organisations exploitent déjà avec succès des cas d’usage edge. La vision par ordinateur soutient l’inspection de la qualité. Les capteurs permettent la maintenance prédictive. Les analyses locales surveillent les actifs, la sécurité et la consommation d’énergie.

La difficulté commence lorsqu’il s’agit de passer à l’échelle.

Un projet pilote peut réussir grâce à des ressources dédiées, un environnement défini et des commanditaires engagés. L’extension de cette capacité à plusieurs usines, succursales ou emplacements de terrain met en lumière les incohérences en matière d’infrastructure, de qualité des données, d’intégration, de sécurité et de responsabilité opérationnelle.

L’Edge 1.0 était principalement axé sur l’infrastructure. Il mettait l’accent sur des déploiements propres à chaque site, la capacité de calcul locale, l’automatisation basée sur des règles et des architectures spécifiques à chaque cas d’usage.

L’Edge 2.0 est guidé par l’intelligence. Il exige une intelligence distribuée sur les couches edge éloignées, proches et d’entreprise, un placement adapté des charges de travail, des modèles de déploiement standardisés et une gouvernance de bout en bout.

À mon avis, c’est cette transition que les entreprises doivent réellement effectuer. Le principal défi consiste à concevoir une infrastructure et des normes opérationnelles capables de soutenir l’AI de façon cohérente dans différents environnements, plutôt que de réinventer chaque déploiement.

Placer l’intelligence de façon délibérée

Une idée reçue que je rencontre souvent est que constitue une alternative à l’AI en nuage. En réalité, les entreprises ont besoin des deux, en plaçant les charges de travail selon leurs exigences de latence, d’autonomie, de localisation des données, de résilience, d’intégration et de coûts.

Le livre blanc décrit un continuum d’exécution à travers trois couches.

Au niveau de l’edge éloigné, l’intelligence fonctionne directement sur ou près des dispositifs et des actifs. Ce niveau convient à l’analyse des capteurs, l’inférence au niveau des caméras, les déclencheurs de sécurité et les actions qui ne peuvent attendre un aller-retour réseau.

Au niveau de l’edge proche, l’intelligence agit à l’échelle du site. Cette couche peut agréger les données de plusieurs dispositifs, soutenir les flux de travail locaux et relier les décisions d’AI aux systèmes opérationnels.

Au niveau de l’edge d’entreprise, les organisations peuvent coordonner les charges de travail entre différents sites, appliquer des politiques, surveiller leurs parcs et relier les opérations edge aux et aux systèmes d’entreprise.

Le placement des charges de travail doit tenir compte des exigences de chaque environnement opérationnel. Une succursale, une usine ou un actif distant peuvent nécessiter différentes combinaisons de traitement local, d’infrastructure partagée et de connectivité cloud.

Traiter l’Edge AI comme un cycle de vie

Une autre leçon tirée des programmes d’entreprise est que la réussite en production dépend de ce qui se passe après le déploiement.

Les organisations doivent suivre la performance de l’inférence, la dérive des modèles, la qualité des données, la disponibilité des dispositifs, la posture de sécurité, les exceptions dans les flux de travail et le transfert entre applications. Si ces responsabilités ne sont abordées qu’après le succès d’un pilote, le passage à l’échelle devient lent et coûteux.

Le cycle de vie EDGE-S présenté dans le livre blanc offre une manière utile de structurer ce parcours :

  • Établir le plan directeur : Définir l’architecture, les flux de données, la gouvernance, la propriété, les mesures et le modèle de valeur
  • Déployer et valider : Tester la performance technique, l’adéquation aux flux de travail, la sécurité, l’intégration et l’adoption dans des environnements contrôlés
  • Gouverner les opérations : Exploiter les modèles, dispositifs, données et transferts d’applications avec une reddition de comptes claire
  • Améliorer la performance : Améliorer la précision des modèles, la fiabilité, les flux de travail et le coût de service
  • Mettre à l’échelle et industrialiser : Réutiliser le plan directeur validé sur plusieurs sites, actifs et unités d’affaires

Ce que j’apprécie dans ce modèle, c’est qu’il considère la gouvernance, l’intégration et les aspects économiques comme des exigences du cycle de vie plutôt que comme des activités post-déploiement.

Appliquer le cycle de vie de façon cohérente donne aux équipes une base pour comparer la préparation des sites, gérer les opérations et mesurer la valeur au-delà du déploiement.

Cette approche du cycle de vie s’aligne sur le modèle iEdgeX Infra plus large de HCLTech, qui combine infrastructure, ingénierie de plateforme, AI, automatisation, sécurité et opérations gérées, au lieu de les traiter comme des capacités distinctes. 

Tous les cas d’utilisation ne devraient pas être mis à l’échelle immédiatement

Les entreprises disposent souvent de plus de cas d’utilisation potentiels à la périphérie qu’elles ne peuvent réellement financer ou soutenir. La tentation est d’élargir le projet pilote le plus visible. Cela ne signifie pas nécessairement qu’il s’agit du meilleur candidat pour l’expansion.

Le livre blanc propose d’évaluer les opportunités selon deux dimensions : le potentiel d’impact commercial et le degré de préparation à une adoption à grande échelle.

Cela crée quatre voies pratiques :

  • Passer à l’échelle maintenant pour saisir des occasions à forte valeur avec une préparation suffisante
  • Développer pour l’échelle lorsque la valeur commerciale est élevée mais qu’un investissement de base est nécessaire
  • Passer à l’échelle de manière sélective quand la valeur est concentrée sur certains sites, actifs ou flux de travail particuliers
  • Observer et façonner pour des capacités émergentes nécessitant encore une expérimentation contrôlée

Cette vue du portefeuille est importante, car la préparation n’est pas uniquement technique. Elle englobe la maturité des sites, la télémétrie, les bases de données et d’AI, la cybersécurité, les opérations de modèles, l’intégration IT-OT, la gouvernance et la reproductibilité des déploiements.

Un cas d’utilisation prêt dans une entreprise peut ne pas l’être dans une autre. Même au sein d’une même organisation, le niveau de préparation peut varier d’un site à l’autre.

La convergence IT-OT est la réalité opérationnelle

L’AI en périphérie se situe souvent à l’intersection des applications d’entreprise et des opérations physiques.

Les équipes TI apportent des compétences en Cloud, cybersécurité, données, AI, observabilité et gouvernance. Les équipes OT apportent le contexte des actifs, les protocoles industriels, les impératifs de sécurité, les procédures d’exploitation et la gestion des flux de travail.

Aucun côté ne peut mettre à l’échelle l’intelligence en périphérie de façon indépendante.

Une inférence locale devient précieuse lorsqu’elle se connecte à un flux de travail opérationnel ou à un système d’entreprise. Un défaut détecté peut devoir être enregistré dans un système d’exécution de fabrication ou de qualité. Une anomalie d’actif peut devoir déclencher un flux de maintenance. Un événement de sécurité peut nécessiter une action locale et un rapport au niveau de l’entreprise.

La mise à l’échelle de l’Edge AI requiert une architecture partagée, une gouvernance et une responsabilité commune entre TI, OT, données, sécurité, AI et opérations. Notre approche iEdgeX Infra met l’accent sur la , la visibilité unifiée et la gestion sécurisée du cycle de vie dans des environnements distribués.

S’appuyer sur les bases des 5R

Le livre blanc réunit ces idées autour de cinq fondamentaux convergents : la pertinence des cas d’utilisation, la bonne architecture distribuée, des bases prêtes, une orchestration robuste de l’écosystème et une mesure rigoureuse de la valeur.

Ce cadre est important car aucune entreprise ne met à l’échelle l’Edge AI de manière isolée. Les hyperscalers, fournisseurs d’infrastructures, partenaires de connectivité, fournisseurs de puces et d’appareils, plateformes opérationnelles, fournisseurs de cybersécurité et intégrateurs de systèmes contribuent tous à l’environnement.

L’objectif est de faire en sorte que ces technologies et partenaires travaillent ensemble, avec des responsabilités claires pour l’intégration, la fiabilité et le support continu.

C’est ainsi que les entreprises passent de pilotes fragmentés à une intelligence à grande échelle.

La périphérie est l’endroit où l’AI rencontre le commerce physique. Réussir cette connexion sur différents sites dépendra de choix architecturaux réfléchis, de responsabilités opérationnelles partagées et d’une coordination efficace entre partenaires technologiques.

Partager
DFS Fondation numérique Article De l’infrastructure en périphérie à l’intelligence à grande échelle