fr.wedoany.com Rapport : L’installation utilisateur de mesure du rayonnement atmosphérique (ARM) du Département de l’Énergie des États-Unis (DOE) fait progresser l’application des technologies d’intelligence artificielle dans son infrastructure de données, afin d’aider les chercheurs à accéder plus rapidement à plus de 30 ans de données d’observation atmosphérique. L’installation a déjà collecté plus de 8 Po de données atmosphériques.
Giri Prakash, responsable principal des données et du calcul à l’ARM, a déclaré qu’une infrastructure prête pour l’IA est devenue une nécessité et que le centre adopte une approche progressive pour renforcer l’infrastructure afin de répondre aux besoins croissants en calcul. Ces développements seront ajoutés à l’infrastructure existante de l’ARM pour répondre aux exigences exigeantes des applications d’IA. Prakash gère le centre de données de l’ARM situé au Laboratoire national d’Oak Ridge (ORNL) dans le Tennessee.
Il y a environ quatre ans, l’ARM a commencé à installer des unités de traitement graphique (GPU) pour le cluster de calcul haute performance Cumulus. Ces GPU ont été utilisés pour l’analyse de la qualité des données, le traitement radar et la génération de produits de données. Actuellement, le centre procède à une mise à niveau plus importante en remplaçant les serveurs de fichiers par une plateforme de stockage prête pour l’IA, directement connectée à l’environnement GPU, permettant aux modèles d’IA d’accéder aux données à haute vitesse sans attendre le transfert de fichiers. L’ARM prévoit d’acquérir 25 à 30 nouveaux GPU, y compris des unités de traitement spécialement conçues pour accélérer les charges de travail d’IA, afin de répondre aux besoins de calcul des deux à cinq prochaines années. Les équipes de cybersécurité et d’ingénierie réseau de l’ARM renforcent également les contrôles pour gérer l’accès aux ressources et outils de calcul, de données et d’IA.
Côté logiciel, l’ARM développe un environnement permettant aux grands modèles de langage (LLM) et aux systèmes basés sur des agents de communiquer avec les actifs de données, les métadonnées et les enregistrements de qualité. Giri Prakash explique que les LLM sont « le cerveau qui comprend et interprète », tandis que les agents sont les systèmes qui utilisent ce cerveau pour accéder aux données et accomplir des tâches. Les deux relient la capacité de raisonnement général des LLM aux connaissances, outils et actions institutionnelles. Contrairement aux assistants IA traditionnels qui se contentent de répondre aux questions, les systèmes basés sur des agents sont capables de raisonner sur des tâches en plusieurs étapes, d’accéder à des outils externes et de coordonner des flux de travail avec une intervention humaine minimale.
L’ARM a lancé la version bêta de l’ARM Data Advisor (ADA, prononcé « ā-duh »). Selon Wade Darnell, développeur de logiciels à l’ORNL et développeur principal d’ADA, cet agent IA répond aux questions, recommande des ensembles de données, affiche des graphiques de données, explique la qualité des données et passe des commandes de données via une interface de dialogue en langage naturel. La commande de données de base sera disponible dans la version initiale, tandis que les commandes avancées et l’extraction de données seront ajoutées dans les versions futures. ADA fournira des recommandations personnalisées aux utilisateurs réguliers et proposera des fichiers dans plusieurs formats. ADA devrait être lancé en juillet 2026, et les outils de recherche traditionnels seront conservés jusqu’à ce que les développeurs soient certains qu’il répond aux besoins des utilisateurs.
Les développeurs de l’ARM ont également construit un cadre nommé Agentic Tooling and LLM Augmentation Stack (ATLAS). ATLAS fournit une plateforme partagée permettant aux outils pilotés par l’IA de fonctionner ensemble, notamment en offrant l’inférence de modèles via des points de terminaison compatibles avec OpenAI, en convertissant les informations en formats vectorisés consultables, en coordonnant les flux de travail guidés par des agents spécialisés dans un domaine, et en fournissant un accès sécurisé aux données et services. Ce cadre prend en charge la génération de métadonnées, l’analyse de la qualité des données et l’amélioration de la recherche sur le site Web via l’assistant numérique Ask ARM. ATLAS est également connecté à plusieurs environnements de services de modèles nécessitant des GPU, y compris la plateforme interne et le Cloud scientifique américain, ce dernier faisant partie de la mission Genesis du DOE, qui intègre les ressources de supercalcul des laboratoires nationaux dans un cloud sécurisé pour la découverte scientifique pilotée par l’IA.
Au cours des trois prochaines années, l’ARM prévoit d’ajouter 2 à 3 Po d’espace de stockage pour les contenus vectorisés, y compris les embeddings de métadonnées consultables, les pages d’orientation et les manuels d’instruments. Parallèlement, l’ARM prévoit de convertir et de diviser les variables scientifiques et les données d’observation en représentations contextuelles lisibles par l’IA, afin que les systèmes d’agents puissent les indexer, les récupérer et les analyser efficacement. En utilisant GPU Direct Storage et une architecture de stockage haute performance étroitement intégrée, l’ARM réduit les goulots d’étranglement du déplacement des données et accélère les temps de réponse des modèles d’IA. À mesure que le cluster GPU s’étend, les équipes d’exploitation de l’installation travaillent en coordination sur l’énergie, le refroidissement et le réseau.
Prakash a indiqué que les retours des utilisateurs continueront de guider le déploiement de ces outils. L’équipe du centre de données de l’ARM élabore un document de gouvernance pour établir des garde-fous pour une utilisation responsable de l’IA, définir des normes éthiques conformes aux principes du DOE, et établir des critères d’évaluation et des meilleures pratiques. En alignant les flux de données optimisés par l’IA sur la mission Genesis du DOE, l’équipe du centre de données de l’ARM s’efforce de réduire le temps entre l’observation et la découverte. Prakash souligne : « L’ARM ne se contente pas d’ajouter l’IA à ses systèmes existants ; nous reconstruisons notre écosystème de données autour de l’IA. »
