Démocratiser l’IA grâce à l’AI Data Fabric de F5

Chris Ford

Début 2024, nous avons lancé la F5 AI Data Fabric. Il s’agit d’une nouvelle plateforme que nous avons conçue pour mettre la puissance de l’intelligence artificielle au service de nos clients. La F5 AI Data Fabric permettra à nos équipes produit d’utiliser facilement et en toute sécurité l’IA générative dans l’ensemble de notre portefeuille. Grâce à l’AI Data Fabric, nous accélérons l’adoption de l’IA dans l’ensemble de notre portefeuille, ce qui apportera des avantages réels et concrets à nos partenaires et à nos clients.

Ce billet est le premier d’une série qui examinera plus en détail ce qu’est l’AI Data Fabric, son fonctionnement et certaines des nouvelles fonctionnalités remarquables basées sur l’IA qu’elle nous aide à commercialiser. Pour commencer cette série, nous nous intéresserons aux principes fondamentaux qui ont guidé notre objectif d’accélérer son adoption.

Démocratiser l’IA

Avec l’AI Data Fabric, nous avons entrepris de créer un système qui démocratise l’accès à l’IA pour nos équipes produit, notamment pour les experts métier qui ne possèdent pas de connaissances en science des données. Ce système associe des pipelines de traitement des données, plusieurs modèles Transformer fondamentaux, un écosystème de modules partagés, le MLOps et un plan de contrôle accessible au moyen d’un kit de développement logiciel (SDK).

Au cœur de sa conception, l’AI Data Fabric de F5 est une usine d’IA conçue pour aider F5 à innover rapidement grâce à l’IA. Comme toute bonne usine d’IA, l’AI Data Fabric fournit une infrastructure commune et évolutive permettant de créer et d’exécuter des applications d’IA. Elle permet notamment aux équipes produit de :

• Générer et étiqueter des données d’entraînement
• Entraîner et affiner des modèles spécifiques à une tâche
• Regroupez et déployez ces modèles partout où ils doivent être exécutés
• Surveiller les performances et la dérive des modèles

Aller à la rencontre de nos clients, là où ils se trouvent

Lorsque nous nous sommes lancés dans cette aventure, nous avons défini des objectifs de conception très précis afin de favoriser l’adoption. Plutôt que de contraindre les utilisateurs à modifier leurs méthodes de travail, nous devions nous adapter à leurs pratiques. Cela impliquait de les aider à trouver toutes les données et à s’y connecter, de leur permettre de gagner en autonomie, de favoriser la mobilité et la portabilité, de mettre en place un écosystème propice à la collaboration et à l’innovation, et d’utiliser de grands modèles de langage (LLM) pour accélérer l’entraînement des modèles.

Connectez-vous aux données, où qu’elles se trouvent

Une IA performante repose avant tout sur les données, et l’AI Data Fabric de F5 permet de tirer des enseignements des volumes considérables de données recueillies par les produits de l’ensemble de notre portefeuille. Comme la plupart des entreprises qui exploitent des applications à grande échelle, nous sommes conscients que les données sont réparties entre de nombreux référentiels et ne résident pas uniquement dans un lac de données unique. Nous prenons en charge les applications et les sources de données déployées sur site et dans plusieurs clouds, publics comme privés ; l’AI Data Fabric peut se connecter aux données et leur associer des ressources de calcul, où qu’elles se trouvent. Un catalogue de données commun aide les utilisateurs à s’orienter parmi les nombreuses sources de données, tout en permettant à notre équipe de s’inscrire dans la stratégie de gouvernance des données de F5 afin de garantir des contrôles et des audits appropriés des actifs de données. Cette stratégie nous permet de tirer des enseignements des données issues de différentes applications et de différents produits, de les gérer et d’en assurer la gouvernance dans plusieurs lacs et sources de données, sans modifier les méthodes de travail de nos utilisateurs.

Favoriser le libre-service

Permettre aux utilisateurs d’associer des ressources de calcul aux données n’est qu’une partie de la solution. Pour favoriser l’adoption, nous avons dû prendre en compte l’ensemble du parcours utilisateur en science des données et déterminer où nous pouvions éliminer les obstacles.

Le packaging et le déploiement d’applications d’IA en sont un excellent exemple. Nous nous chargeons d’une grande partie du travail complexe afin que nos utilisateurs n’aient pas à le faire. L’AI Data Fabric peut gérer les dépendances Python, regrouper les applications d’IA dans un conteneur doté d’un serveur HTTP, configurer ce point de terminaison dans notre passerelle API et déployer les applications d’IA dans Kubernetes avec les ressources GPU, CPU et mémoire appropriées, là où elles sont nécessaires. Imaginez pouvoir entraîner, packager et déployer un modèle au sein d’un même workflow automatisé, grâce à un SDK facile à utiliser. Avec ce système, un data scientist peut déployer une nouvelle version de son application d’IA en 10 à 15 minutes. En réduisant les obstacles, nous permettons aux data scientists de se consacrer à ce qu’ils font le mieux : la data science.

Concevoir pour la mobilité et la portabilité de l’IA

C’est un autre exemple de notre volonté de répondre aux besoins de nos clients là où ils se trouvent. Tous les conteneurs créés sont stockés dans le registre de conteneurs d’AI Data Fabric, ce qui permet aux utilisateurs de déployer des applications d’IA partout où elles doivent s’exécuter, même dans des environnements isolés du réseau.

Créer un écosystème

Accélérer l’adoption de l’IA implique de collaborer rapidement. Il s’agit de tirer parti des travaux de ceux qui vous ont précédé et de les approfondir. L’AI Data Fabric intègre un « écosystème d’IA », composé d’outils et de modules prédéfinis permettant d’exécuter des fonctions d’IA courantes et complexes. Lorsque les utilisateurs enrichissent à leur tour cet écosystème avec des modules et des modèles, cela accélère véritablement l’innovation. Ces modules peuvent aller de modèles prédéfinis de détection d’anomalies et de classification à des applications de génération augmentée par récupération, ou RAG.

Utilisez les LLM pour accélérer l’entraînement des modèles

Pour accélérer encore davantage l’adoption, nous avons appliqué les principes de l’IA agentique à la F5 AI Data Fabric. Nous avons ainsi obtenu un système capable d’entraîner et de déployer des modèles pour analyser des données, d’utiliser l’IA pour interpréter les enseignements qui en découlent, puis d’identifier et d’accomplir une tâche. En bref, nous utilisons de grands modèles de langage pour générer des données qui nous aident ensuite à entraîner des modèles plus petits, spécialisés dans des tâches précises. L’étiquetage des données d’entraînement en est un excellent exemple. Cette opération représente une charge considérable pour les data scientists, que nous pouvons alléger : l’AI Data Fabric se connecte aux données d’entraînement, en extrait le sens, puis utilise l’IA pour interpréter ce sens et effectuer une tâche d’étiquetage avant d’envoyer les données ainsi étiquetées vers une autre destination.

Les avantages

Voici ce que cette priorité accordée à une adoption facile implique pour nos équipes produit :

1. Efficacité: l’AI Data Fabric accélère la collaboration, le développement des modèles et leur déploiement.
2. Évolutivité: Nous pouvons contrôler, gérer et maintenir des milliers de modèles de manière hautement automatisée.
3. Réduction des risques: L’association des bonnes pratiques et de systèmes communs et standardisés pour traiter les données et exécuter nos propres modèles nous permet d’améliorer considérablement notre gouvernance, de protéger les données de nos clients et de contribuer au respect des exigences réglementaires.

Perspectives d’avenir

Nous avons déjà utilisé la F5 AI Data Fabric pour mener à bien plusieurs projets clés dans l’ensemble de l’entreprise, notamment des assistants d’IA, l’entraînement de modèles de classification et la génération de signatures pour des cas d’usage liés à la protection des applications web et des API (WAAP). Ces puissantes fonctionnalités s’appuient sur les modèles de fondation et les services de l’AI Data Fabric pour l’entraînement, l’ajustement fin, le déploiement et l’inférence des modèles.

Nous sommes particulièrement enthousiastes quant à la valeur que nous pouvons apporter à nos clients et partenaires grâce à la F5 AI Data Fabric. Et ce n’est qu’un début : restez à l’écoute de nos prochaines publications, dans lesquelles nous présenterons en détail certaines des techniques que nous utilisons, les défis que nous avons dû relever et les fonctionnalités produit spécifiques que nous mettons en œuvre.

À propos de l’auteur

Chris Ford

Autres articles de Chris Ford