Où exécuter l'IA ?

L'importance du lieu d'exécution de l'IA

L'IA est aujourd'hui utilisée dans des environnements bien plus variés que le seul cloud : directement sur les postes de travail des employés, en périphérie du réseau, dans les centres de données des clients ou encore via des services cloud. À mesure que les entreprises multiplient les applications de l'IA, le choix de l'environnement d'exécution doit tenir compte des besoins propres à chaque charge de travail : accès aux données, réactivité, fiabilité de la connexion, capacité disponible et maîtrise des coûts.

Pour les partenaires, l'enjeu consiste à transformer ces exigences en recommandations d'infrastructure concrètes. Un assistant documentaire local et un système d'analyse vidéo desservant plusieurs sites peuvent nécessiter des approches différentes. Partez des besoins de la charge de travail d'IA pour déterminer où l'exécuter.

La nature des tâches d'IA entre également en compte. L'entraînement ou l'ajustement d'un grand modèle nécessite généralement une puissance de calcul considérable, hébergée dans un centre de données ou dans le cloud. Une grande partie des usages quotidiens de l'IA par les clients, comme le résumé de documents ou l'assistance aux employés pour accomplir des tâches courantes, relève de l'inférence, c'est-à-dire l'utilisation d'un modèle existant pour traiter de nouvelles requêtes. Selon le modèle et le software utilisés, cette charge de travail peut s'exécuter sur un PC, à l'edge ou dans une infrastructure centralisée. Comprendre cette différence aide les partenaires à identifier les domaines dans lesquels les clients disposent d'une certaine flexibilité et ceux où les charges de travail sont plus exigeantes et nécessitent des solutions spécifiques.

Cinq questions à poser à vos clients

Avant de recommander des produits, déterminez les besoins de la charge de travail. Ces cinq questions aident les partenaires à identifier les options de déploiement adaptées et à expliquer les compromis aux clients.

• Les données doivent-elles rester en local ? Les informations sensibles, les règles du secteur et les politiques de l'entreprise peuvent conduire à privilégier un traitement sur l'appareil lui-même ou au sein de l'infrastructure du client.
  
  
• À quelle vitesse la charge de travail doit-elle réagir ? Pour les tâches impliquant de la vidéo en direct, des machines ou une assistance interactive, une inférence au plus près de l'endroit où les données sont générées est généralement préférable.
  
  
• La solution doit-elle fonctionner sans connectivité fiable ? Les sites distants, les collaborateurs en déplacement et les environnements soumis à des contraintes particulières peuvent avoir besoin de solutions d'IA capables de fonctionner même en l'absence de connexion ou lorsque celle-ci est instable.
  
  
• Combien d'utilisateurs ou de systèmes ont besoin d'y accéder ? Les besoins ne sont pas les mêmes selon qu'un collaborateur utilise un assistant IA installé sur son poste ou qu'un modèle partagé soit mis à la disposition de toute l'entreprise, d'autant que la demande peut varier au fil du temps.
  
  
• Comment évoluent les coûts à mesure que l'utilisation augmente ? L'utilisation de l'IA via des API cloud peut générer des coûts récurrents liés au volume de jetons traités, tandis qu'une solution locale implique des dépenses en hardware et en exploitation.

Ce dernier point prend de plus en plus d'importance à mesure que l'IA s'intègre aux activités quotidiennes. L'utilisation des API d'IA dans le cloud peut être facturée selon la consommation de jetons, tandis que les abonnements d'entreprise peuvent reposer sur une tarification par utilisateur ou sur d'autres modalités. Avec les API facturées à l'usage, les coûts peuvent augmenter à mesure que le volume de requêtes et la consommation de jetons progressent.

Comprendre les coûts de l'IA avec le calculateur AMD Tokenomics

Utilisez le calculateur AMD Tokenomics pour comparer les coûts estimés des scénarios d'IA en local et dans le cloud qu'il prend en charge. Saisissez la taille de l'équipe du client, l'utilisation prévue, le modèle cloud sélectionné et la période d'analyse afin d'examiner l'évolution potentielle des coûts à mesure que l'adoption progresse.

Le calculateur estime les coûts sur la période que vous choisissez. Il compare également les coûts des API cloud à ceux de l'exécution de charges de travail d'IA prises en charge sur des appareils AMD ou selon une approche combinant traitement local et cloud. Cette comparaison inclut des estimations des coûts de hardware et d'exploitation. Pour les partenaires, c'est un moyen simple et efficace de montrer aux clients comment différents choix peuvent influencer les coûts à mesure que leur utilisation de l'IA augmente.

Considérez les résultats comme un point de départ. Avant de recommander un déploiement, vérifiez la compatibilité des modèles et des software et prenez en compte les licences, le support IT et les autres coûts non inclus dans les hypothèses du calculateur.

Appareil, edge, centre de données ou cloud ?

Une fois que vous avez une vision plus claire des besoins de la charge de travail, il devient plus facile de déterminer où elle doit s'exécuter.

Envisagez l'IA sur l'appareil lorsque les employés ont besoin que les applications prises en charge traitent les données localement ou fonctionnent sans connexion Internet permanente. Les systèmes équipés de processeurs AMD Ryzen™ AI PRO associent CPU, GPU et NPU pour prendre en charge des applications d'IA locales, allant des outils de productivité à l'assistance documentaire. Le traitement local peut réduire la dépendance aux connexions réseau et éviter les allers-retours via le réseau pour les charges de travail prises en charge.

En savoir plus sur les PC IA d'entreprise et l'IA hybride

Envisagez l'IA à l'edge lorsque les données issues de caméras, de capteurs ou d'équipements doivent être traitées au plus près de leur point de génération. Les processeurs AMD Ryzen™ AI Embedded Série X100 combinent l'accélération CPU, GPU et NPU pour les systèmes devant exécuter l'IA en local tout en prenant en charge d'autres tâches exigeantes. En traitant davantage de données directement sur site, on limite les transferts de données brutes sur le réseau, ce qui réduit les besoins en bande passante et permet aux systèmes soumis à des contraintes de temps de réagir sans dépendre de services distants.

Envisagez une infrastructure de centre de données centralisée lorsque des modèles plus volumineux, des services partagés ou des entraînements intensifs nécessitent des ressources dépassant les capacités des appareils individuels. Les CPU pour serveur AMD EPYC™ et les GPU AMD Instinct™ prennent en charge l'inférence intensive, l'entraînement des modèles et les services nécessaires au fonctionnement des systèmes d'IA d'entreprise. L'AMD Enterprise AI Reference Stack aide également les entreprises à déployer et à gérer l'IA sur l'infrastructure AMD via une base software ouverte.

Découvrez les CPU pour serveur AMD EPYC destinés à l'IA d'entreprise

Envisagez les services cloud lorsque les clients ont besoin d'accéder à des modèles hébergés ou à des capacités qu'ils peuvent ajuster en fonction de l'évolution de la demande. Pour certaines entreprises, exécuter des charges de travail d'IA importantes dans leurs propres centres de données sera plus pertinent en termes de coût et d'évolutivité. D'autres pourront préférer les services cloud pour les charges de travail variables ou nécessitant des ressources dont le maintien en interne ne se justifie pas.

Les avantages de l'IA hybride

Différentes tâches au sein d'un même flux de travail d'IA peuvent être mieux adaptées à des environnements différents. Une approche hybride permet aux clients d'exécuter en local les tâches qui s'y prêtent, tout en utilisant des ressources centralisées ou cloud pour celles qui nécessitent une capacité supplémentaire ou des modèles différents.

AMD fournit un exemple utile de la part des tâches d'IA pouvant être exécutée en local avec une application adaptée. Dans l'article Advancing AI 2026, AMD décrit une démonstration de support client dans laquelle un système équipé de processeurs AMD Ryzen™ AI exécutant Lemonade traitait sur l'appareil les requêtes courantes adressées au modèle et envoyait les requêtes plus exigeantes vers un modèle cloud. Au cours de cette démonstration spécifique, AMD a indiqué que 69 % du traitement des jetons restait en local, tandis que 31 % était transféré vers le cloud.

Ces chiffres proviennent d'une seule démonstration ; la répartition sera donc différente pour chaque client. L'intérêt de cet exemple tient au fait que l'application choisit le mode d'exécution pour chaque requête. L'IA locale peut ainsi traiter les tâches qui lui conviennent, avec la possibilité de recourir à des modèles cloud de plus grande taille si nécessaire. Cette approche donne la priorité à la gestion et à la sécurité des données tout en contribuant à réduire les coûts récurrents de calcul dans le cloud.

Les processeurs AMD Ryzen AI peuvent prendre en charge les charges de travail sur les appareils des employés, les processeurs AMD Ryzen™ AI Embedded peuvent apporter l'inférence aux systèmes sur site, et les CPU pour serveur AMD EPYC ainsi que les GPU AMD Instinct peuvent prendre en charge les charges de travail centralisées. Cette approche offre davantage de flexibilité pour concevoir une infrastructure adaptée aux usages actuels des clients et à l'évolution possible de leurs besoins en IA, à court comme à long terme.

Aider les clients à trouver la solution adaptée

Les cinq questions mentionnées au début de cet article constituent un excellent point de départ pour les partenaires. L'IA sur l'appareil et l'IA à l'edge peuvent être pertinentes lorsqu'il est important d'obtenir une réponse immédiate ou de fonctionner hors ligne. Les données qui doivent rester en local et ne pas être transférées vers des plateformes cloud peuvent être traitées sur l'appareil ou au sein d'une infrastructure sur site. Pour exécuter des modèles partagés de grande taille, assurer un entraînement intensif ou disposer d'une capacité qui augmente avec la demande, examinez les solutions en centre de données et dans le cloud. Lorsque les exigences du client varient selon les tâches, envisagez dès le départ une approche d'IA hybride.

Une fois les différentes options présélectionnées, il est utile d'évaluer les coûts ensemble. Si vous envisagez des PC IA pour exécuter des tâches en local, le calculateur AMD Tokenomics peut vous aider à en comparer les coûts potentiels à ceux d'une exécution via des API cloud. Ensuite, assurez-vous que les modèles d'IA et les software retenus par le client sont compatibles avec le hardware choisi et échangez sur les aspects opérationnels liés à la gestion et au support quotidien de la solution.

Commencez votre prochaine discussion avec un client à partir d'une charge de travail d'IA clairement définie. Utilisez les cinq questions pour identifier les options de déploiement les plus adaptées, comparez les coûts estimés à l'aide du calculateur AMD Tokenomics lorsque cela est pertinent, puis validez la compatibilité des modèles et des software avant de recommander du hardware. Contactez votre représentant AMD pour déterminer quels processeurs, accélérateurs et software AMD correspondent le mieux aux exigences de la charge de travail du client.