Qu’est-ce que l’IA en périphérie ? Comprendre l’intelligence artificielle à la périphérie du réseau

L’IA en périphérie désigne le déploiement d’algorithmes et de modèles d’intelligence artificielle dans un environnement informatique en périphérie, rapprochant ainsi la puissance de calcul et l’intelligence des lieux où les décisions sont prises, notamment afin de limiter les échanges continus entre les sites périphériques et le cloud. L’IA en périphérie permet aux appareils situés aux extrémités du réseau de traiter les données localement et de prendre des décisions en temps réel sans dépendre d’une connexion Internet ni de serveurs cloud centralisés pour le traitement, ce qui accélère les calculs et renforce la confidentialité et la sécurité des données.

Comprendre l’IA en périphérie

L’IA en périphérie résulte de la convergence de plusieurs technologies, notamment l’intelligence artificielle, l’Internet des objets (IoT), l’informatique en périphérie, et les systèmes embarqués, qui jouent chacun un rôle essentiel dans le traitement intelligent et la prise de décision à la périphérie du réseau. L’IA en périphérie repose sur l’utilisation d’algorithmes embarqués pour surveiller l’activité d’un système distant, ainsi que pour traiter les données recueillies par des dispositifs tels que des capteurs et d’autres outils de suivi de données non structurées, notamment la température, le langage, les visages, les mouvements, les images, la proximité et d’autres signaux analogiques.

Ces systèmes distants peuvent prendre de nombreuses formes, notamment des capteurs, des smartphones, des appareils IoT, des drones, des caméras, voire des véhicules et des appareils intelligents. Les données recueillies par ces systèmes servent d’entrée aux algorithmes d’IA en périphérie et fournissent de précieuses informations sur l’état du système ou de son environnement, ce qui permet aux systèmes d’IA en périphérie de réagir rapidement aux changements ou aux anomalies et de comprendre l’environnement dans lequel ils fonctionnent. Il serait peu pratique, voire impossible, d’exécuter ces applications d’IA en périphérie dans un cloud centralisé ou un centre de données d’entreprise en raison de contraintes liées aux coûts, à la latence, à la bande passante, à la sécurité et à la confidentialité.

L’IA en périphérie couvre un large éventail de cas d’usage, notamment :

Véhicules autonomes. L’IA en périphérie permet aux véhicules d’analyser les données des capteurs en temps réel afin de prendre des décisions instantanées pour des tâches telles que la détection d’objets, le suivi de voie et l’évitement des collisions, sans dépendre en permanence d’une connexion au cloud.
Villes intelligentes. Les données provenant de capteurs et de caméras déployés dans toute une zone urbaine peuvent alimenter diverses applications de ville intelligente, notamment la gestion du trafic, la surveillance de la sécurité publique, la gestion des déchets et l’optimisation énergétique.
Surveillance agricole. L’IA en périphérie soutient l’agriculture de précision en analysant les données issues de capteurs, de drones et d’images satellites afin de surveiller la santé des cultures, d’optimiser l’irrigation, de détecter les infestations de ravageurs et d’analyser en temps réel les conditions environnementales.
IoT industriel. En déployant des algorithmes d’IA directement sur les équipements de fabrication et les capteurs, les appareils en périphérie peuvent surveiller l’état des machines, détecter les défauts et optimiser les processus de production sans dépendre de serveurs centralisés.
Surveillance médicale. L’IA en périphérie permet le suivi à distance des patients et la personnalisation des soins de santé en analysant les données provenant d’appareils portables, de capteurs médicaux et d’équipements d’imagerie afin d’effectuer une analyse en temps réel des données médicales et d’alerter les professionnels de santé en cas de problèmes de santé potentiels.

IA en périphérie vs IA dans le cloud

Il existe deux grands paradigmes pour déployer des algorithmes et des modèles d’IA : en périphérie ou dans le cloud. Les stratégies d’intégration de systèmes couvrant à la fois des sites cloud et périphériques sont appelées « cloud-in » ou « edge-out ». Toutes deux ont des implications en matière de performances, de sécurité et d’exploitation.

L’IA en périphérie consiste à déployer l’IA sur des appareils distants afin de permettre le traitement des données et la prise de décision en temps réel à la périphérie du réseau ou dans des environnements décentralisés. Ces systèmes peuvent analyser la plupart des données localement, sans dépendre d’une connexion réseau ni transmettre les données à des serveurs centralisés, ce qui réduit la latence et accélère les temps de réponse. Les systèmes d’IA en périphérie conservent également les données sensibles localement, réduisant ainsi le risque d’atteinte à la vie privée ou les risques de sécurité liés à la transmission de données vers le cloud.

Parmi les exemples d’IA en périphérie figurent les véhicules autonomes, qui utilisent une IA déployée localement pour analyser les données des capteurs et prendre des décisions de conduite en temps réel, ainsi que les appareils domestiques intelligents, qui utilisent l’IA en périphérie pour traiter les commandes vocales ou surveiller les lieux afin de détecter d’éventuels intrus.

À l’inverse, l’IA dans le cloud se caractérise par le déploiement d’algorithmes et de modèles d’IA sur des serveurs cloud centralisés, permettant le traitement, l’entraînement et l’inférence de données à grande échelle. Les ressources cloud offrent d’importantes capacités de calcul, rendant possibles des tâches d’IA complexes, telles que l’entraînement de modèles d’apprentissage profond ou l’analyse de mégadonnées, qui nécessitent une puissance de calcul considérable. Les solutions d’IA dans le cloud peuvent facilement évoluer pour prendre en charge de grands volumes de données et un grand nombre d’utilisateurs, ce qui les rend adaptées aux applications exigeant un débit élevé ou d’importantes ressources.

Les moteurs de recommandation, tels que ceux utilisés par Amazon ou Netflix pour proposer aux consommateurs des produits nouveaux ou alternatifs à partir d’un vaste ensemble de données utilisateur, sont des exemples de systèmes d’IA cloud à grande échelle qui nécessitent d’importantes ressources informatiques pour fonctionner de manière optimale.

D’autres cas d’usage de l’IA associent l’IA en périphérie et l’IA dans le cloud afin de répondre aux besoins spécifiques des clients. Exemples concrets : Sentient.io, fournisseur singapourien d’une plateforme d’IA et de données, a développé Sentient Marketplace, un pôle de services d’IA innovants qui permet aux entreprises d’intégrer facilement l’IA à leurs processus de travail existants. Cependant, le succès rapide de cette place de marché a soulevé plusieurs défis complexes, notamment la difficulté d’exploiter et de déployer des services d’IA dans des environnements distribués, qu’il s’agisse d’infrastructures sur site, de clouds publics, de clouds privés ou de systèmes en périphérie.

Lors d’opérations menées avec plusieurs fournisseurs sur les sites des clients, les solutions propres à chaque fournisseur de cloud peuvent proposer des distributions Kubernetes propriétaires, ce qui peut s’avérer complexe pour les organisations devant exploiter ces plateformes dans leurs environnements cloud respectifs. Le processus de déploiement des modèles d’IA de Sentient sur les sites des clients était également fastidieux, car il nécessitait de configurer des environnements Kubernetes sur site pour chaque site en périphérie, ainsi que de gérer manuellement les mises à jour et la synchronisation des nouveaux modèles. Cela a entraîné une complexité opérationnelle accrue, ainsi qu’un manque de cohérence dans l’orchestration des workflows et les politiques de sécurité.

Sentient.io s’est associé à F5 pour proposer à des clients issus de divers secteurs des solutions d’IA « en tant que service » clés en main et de niveau entreprise à l’aide de F5 Distributed Cloud App Stack, une plateforme Kubernetes prête pour l’entreprise qui simplifie les déploiements dans les environnements sur site, dans le cloud et en périphérie. Cette solution a rationalisé les opérations de Sentient, réduit la latence et permis le traitement de l’IA en temps réel à la périphérie. L’exécution de l’inférence à la périphérie élimine les contraintes de réseau et de bande passante liées à la situation géographique et garantit la transmission immédiate des résultats d’inférence aux applications en temps réel. Cette évolution du déploiement des modèles a permis à Sentient.io de fournir à ses clients des applications d’IA hautement performantes, d’accélérer la création de valeur, d’optimiser l’allocation des ressources, de réduire les coûts opérationnels globaux et d’intégrer nativement la sécurité des applications et des API.

Cette collaboration a également permis de réaliser d’importantes économies par rapport à l’ancien processus de gestion manuelle de plusieurs plateformes cloud, qui nécessitait des équipes dédiées et mobilisait des ressources considérables. Grâce à F5 Distributed Cloud Services, Sentient a simplifié ses opérations et réduit ses coûts en optimisant les ressources et en simplifiant la gestion des applications, libérant ainsi des ressources pour d’autres initiatives stratégiques.

Accéder à l’IA en périphérie

L’accès à l’IA en périphérie implique le déploiement d’un ensemble d’appareils, de technologies, de composants d’infrastructure et d’intégrations permettant d’accéder efficacement aux capacités d’IA et de les exploiter à la périphérie du réseau. Cela comprend :

Appareils en périphérie. Équipés de capteurs et de microcontrôleurs, les appareils en périphérie collectent des données issues du monde physique et peuvent héberger des modèles d’IA en périphérie afin de les traiter localement. Parmi les appareils IoT figurent les thermostats intelligents, les caméras de surveillance, les capteurs d’humidité du sol et les capteurs industriels. Les appareils en périphérie peuvent également inclure les smartphones et les tablettes, qui non seulement détectent leur environnement, mais peuvent aussi exploiter leur puissance de traitement et leur connectivité pour effectuer des tâches d’IA en périphérie.
Technologies. L’exploitation de systèmes d’IA à la périphérie du réseau nécessite un certain nombre de technologies spécialisées, notamment des algorithmes entraînés et des modèles d’IA optimisés pour être déployés sur des appareils aux ressources limitées. Des frameworks et des plateformes d’IA en périphérie proposent également des outils et des bibliothèques qui simplifient le développement et le déploiement des systèmes.
Infrastructure. Une connectivité réseau fiable, filaire ou sans fil, est nécessaire pour permettre aux appareils d’IA en périphérie de communiquer entre eux et, si nécessaire, avec des serveurs centralisés. Elle peut inclure des composants matériels tels que des serveurs en périphérie, des passerelles et des routeurs. En outre, les API constituent la clé de voûte des architectures d’IA, car elles permettent aux différents composants et services de communiquer entre eux et d’échanger des données et des instructions.
Intégrations. Les systèmes d’IA en périphérie doivent pouvoir s’intégrer aux réseaux et infrastructures existants afin de garantir l’accessibilité des données, de permettre l’évolutivité et la compatibilité avec les autres composants du système, et de simplifier la gestion.

Tenez également compte des difficultés et limites suivantes liées au déploiement et à l’accès à l’IA en périphérie.

Puissance de calcul et connectivité limitées. La plupart des appareils en périphérie disposent d’une puissance de traitement, d’une mémoire et d’une capacité de stockage limitées, ce qui peut restreindre la complexité et la taille des modèles d’IA pouvant fonctionner en périphérie. En outre, ces appareils fonctionnent souvent dans des environnements offrant peu d’options de connectivité réseau, ce qui peut également nuire à la réactivité, aux performances et à la fiabilité des systèmes d’IA en périphérie.
Coût et disponibilité. De nombreux modèles d’IA tirent parti d’accélérateurs de charge de travail, tels que les processeurs graphiques (GPU) et les unités de traitement de données (DPU), pour accélérer le traitement. Toutefois, les GPU, en particulier, sont coûteux et peuvent, en raison de contraintes physiques, être trop volumineux pour être intégrés dans des formats miniaturisés. Cela peut limiter les types d’algorithmes d’IA pouvant être déployés sur les appareils en périphérie et nécessiter le recours à d’autres techniques d’optimisation.
Confidentialité des données. Certains systèmes d’IA en périphérie génèrent et traitent localement des données sensibles ou protégées, ce qui soulève des préoccupations concernant la confidentialité des données et le respect de réglementations telles que la HIPAA ou le RGPD. Garantir la confidentialité des données et le respect des exigences légales peut nécessiter la mise en œuvre de mesures appropriées d’anonymisation et de chiffrement des données, ainsi que de contrôle des accès.
Gestion des appareils. Le déploiement, la surveillance, la mise à jour et la maintenance de systèmes d’IA en périphérie répartis sur des sites géographiquement dispersés peuvent s’avérer complexes et nécessitent des outils et des plateformes de gestion efficaces.

Mesures de sécurité pour l’IA en périphérie

La protection des données et l’atténuation des risques de sécurité dans les déploiements d’IA en périphérie nécessitent une approche globale privilégiant une sécurité multicouche. Bien que l’IA en périphérie diffère sensiblement des charges de travail informatiques traditionnelles, notamment par sa capacité à apprendre à partir des données et à faire évoluer son comportement en fonction de l’expérience, ses exigences en matière de sécurité présentent de nombreux points communs avec celles des systèmes IoT plus conventionnels, et elle partage bon nombre des mêmes risques, notamment :

Logiciels malveillants et cyberattaques. Les appareils d’IA en périphérie sont vulnérables aux infections par des logiciels malveillants, aux cyberattaques et à l’exploitation à distance s’ils ne sont pas correctement sécurisés. La mise en place d’un logiciel antivirus, de systèmes de détection des intrusions et de mises à jour logicielles régulières doit faire partie de toute stratégie de sécurité de l’IA en périphérie.
Sécurité des réseaux. Les appareils d’IA en périphérie communiquent généralement entre eux et avec des serveurs centralisés via des réseaux, ce qui en fait des cibles potentielles pour les attaques réseau. Sécurisez les communications réseau à l’aide de mécanismes de chiffrement, d’authentification et de contrôle d’accès afin de protéger les données en transit et d’empêcher tout accès non autorisé aux ressources réseau.
Intégrité des données. Pour préserver la précision et la fiabilité des modèles d’IA et des processus décisionnels, il est nécessaire de protéger l’intégrité des données traitées par les appareils d’IA en périphérie. La détection et l’atténuation de la falsification, de la manipulation ou de la corruption des données nécessitent la mise en œuvre de mécanismes de validation des données, de sommes de contrôle et de contrôles d’intégrité afin de vérifier l’authenticité et la cohérence des données d’entrée.
Sécurité physique. Les appareils d’IA en périphérie sont souvent déployés dans des environnements isolés ou hostiles, ce qui les rend vulnérables aux dommages, aux manipulations physiques, au vol ou au vandalisme. Des dispositifs de protection physique, tels que des boîtiers inviolables ou des caméras de surveillance, contribuent à protéger les appareils contre les dommages, les manipulations ou les accès non autorisés.
Sécurité des API. Les écosystèmes d’IA, y compris les plugins, reposent sur des API qui peuvent présenter des vulnérabilités, faire l’objet d’utilisations abusives ou être mal configurées, et subir des attaques contournant des contrôles d’authentification et d’autorisation insuffisants.
Sécurité des grands modèles de langage (LLM). Les LLM et les processus d’entraînement et d’inférence associés à la prise de décision dans les applications fondées sur l’IA générative sont exposés à de nombreux risques, notamment l’injection de prompts, l’empoisonnement des données, les hallucinations et les biais.

Pour une analyse approfondie des risques de sécurité liés au déploiement et à la gestion de systèmes d’IA basés sur des LLM, notamment les applications d’IA en périphérie, consultez le Top 10 de l’OWASP pour les applications basées sur de grands modèles de langage, qui vise à sensibiliser aux vulnérabilités de ces applications, propose des stratégies de remédiation et cherche à renforcer leur niveau de sécurité.

Stratégies d’optimisation pour l’IA en périphérie

En raison de son déploiement à la périphérie du réseau ou dans d’autres sites distants, il est important d’optimiser l’infrastructure d’IA en périphérie en matière de performances, d’utilisation des ressources, de sécurité et d’autres aspects. Toutefois, optimiser l’efficacité et les performances des appareils aux ressources limitées peut s’avérer complexe, car réduire au minimum les besoins en puissance de calcul, en mémoire et en énergie tout en maintenant des performances acceptables implique souvent des compromis.

Améliorer les performances de l’IA en périphérie

Plusieurs stratégies permettent d’optimiser les performances de calcul en périphérie tout en limitant la consommation d’énergie. La mise en œuvre de techniques d’économie d’énergie, telles que les modes basse consommation, les états de veille ou l’ajustement dynamique de la tension et de la fréquence (DVFS), peut contribuer à réduire la consommation énergétique. Les accélérateurs matériels tels que les GPU et les DPU peuvent décharger le CPU des tâches nécessitant une puissance de calcul élevée, améliorant ainsi la vitesse d’inférence. Des techniques comme le traitement dynamique par lots, l’inférence adaptative ou la parcimonie des modèles permettent d’optimiser l’utilisation des ressources tout en maintenant les performances. Les tâches moins exigeantes peuvent être prises en charge par les ressources du CPU, ce qui souligne l’importance de la mutualisation des ressources au sein d’architectures fortement distribuées.

Adapter les modèles à l’informatique en périphérie

Les appareils d’IA en périphérie disposent souvent de ressources de calcul limitées, ce qui nécessite de déployer des modèles d’IA légers et optimisés pour ces appareils. Il faut donc trouver un équilibre entre la complexité du modèle, sa précision et la vitesse d’inférence afin de sélectionner le modèle le mieux adapté aux ressources de l’appareil et aux exigences de l’application. Des techniques telles que la quantification et l’élagage des modèles, ainsi que la distillation des connaissances, peuvent contribuer à réduire la taille des modèles d’IA sans perte significative de performances.

Sécurité optimisée en périphérie

Le « périmètre qui s’estompe » désigne la disparition progressive des frontières traditionnelles des réseaux sous l’effet de facteurs tels que les appareils mobiles, le cloud et l’edge computing. Dans le contexte de l’IA en périphérie, ce phénomène signifie que les appareils d’IA en périphérie sont généralement déployés dans des environnements réseau distants et dynamiques, à la périphérie du réseau. Ils fonctionnent en dehors des centres de données ou des environnements cloud, au-delà des mesures de sécurité périmétrique traditionnelles telles que les pare-feu ou les systèmes de détection d’intrusion. Par conséquent, la sécurité de l’IA en périphérie présente des exigences particulières et doit être optimisée afin d’assurer une protection contre des menaces telles que les accès non autorisés, aussi bien dans des sites isolés que dans des environnements complexes et distribués où la gestion de la sécurité et la visibilité constituent un défi.

En outre, les API constituent le tissu conjonctif qui permet aux différentes composantes des applications d’IA d’échanger des données et des instructions. La protection de ces connexions API et des données qui y transitent représente un enjeu de sécurité majeur auquel les entreprises doivent faire face lorsqu’elles déploient des applications intégrant l’IA, ce qui nécessite la mise en place de services de protection des applications web et des API capables de détecter dynamiquement les points de terminaison et de les protéger automatiquement contre divers risques.

Sécurité des grands modèles de langage

Les LMM sont des modèles d’intelligence artificielle reposant sur d’immenses volumes de données textuelles et entraînés à comprendre et à générer des contenus en langage naturel avec une fluidité et une cohérence remarquables, comparables à celles d’un être humain. Les LLM, qui sont au cœur des applications d’IA générative, sont généralement entraînés à partir de données et de contenus collectés systématiquement sur Internet, notamment des livres en ligne, des publications, des sites web et des articles. Toutefois, ces données d’entrée peuvent faire l’objet d’attaques de la part d’acteurs malveillants qui les manipulent intentionnellement afin d’induire en erreur les modèles d’IA générative ou d’en compromettre les performances, entraînant ainsi des vulnérabilités, des biais, des résultats peu fiables, des atteintes à la vie privée et l’exécution de code non autorisé.

Parmi les principaux risques de sécurité liés aux LLM figurent :

Injection de prompt. Les attaquants peuvent manipuler les prompts d’entrée des LLM afin d’influencer les résultats générés et de compromettre leur fiabilité et leur crédibilité en produisant du contenu biaisé, offensant ou inexact.
Empoisonnement du modèle. Ces attaques consistent à injecter des données malveillantes pendant la phase d’entraînement des LLM afin de manipuler leur comportement ou de compromettre leurs performances. En introduisant des échantillons de données empoisonnées dans le jeu de données d’entraînement, les attaquants peuvent intégrer des biais, des vulnérabilités ou des portes dérobées dans le modèle LLM entraîné.
Déni de service du modèle (DoS). Ces attaques ciblent la disponibilité et les performances des LLM en les submergeant de requêtes ou d’entrées malveillantes susceptibles de dépasser les limites de tokénisation des requêtes et de la fenêtre contextuelle des LLM, entraînant des ralentissements, des perturbations ou des interruptions de service. Ces attaques par épuisement des ressources peuvent dégrader les performances ou rendre le système instable, ce qui nuit à la disponibilité et à la fiabilité du système d’IA et compromet la capacité du modèle à apprendre et à répondre aux requêtes des utilisateurs.

Pour relever ces défis de sécurité, il convient d’adopter une approche multidimensionnelle visant à prévenir les injections de prompts et faisant appel à des techniques telles que l’assainissement des prompts, la validation des entrées et le filtrage des prompts, afin d’éviter que le modèle ne soit manipulé par des entrées conçues à des fins malveillantes. Pour contrer les attaques par déni de service (DoS), mettez en place une stratégie de défense en profondeur comprenant la limitation du débit, la détection des anomalies et l’analyse comportementale, afin de détecter et d’identifier les activités réseau suspectes ou malveillantes. Le secteur continue d’évoluer pour gérer efficacement ces risques, ce qui entraîne un développement rapide des proxys, pare-feu et passerelles pour LLM, ainsi que des intergiciels sécurisés au sein des piles applicatives.

L’avenir de l’IA en périphérie

L’IA en périphérie fait partie d’un ensemble de technologies en évolution rapide à la périphérie du réseau, ouvrant la voie à une nouvelle ère d’environnements informatiques intelligents, réactifs et plus efficaces. À la croisée des avancées en matière de processeurs, de réseaux, de logiciels et de sécurité, ces technologies offrent de nouvelles possibilités d’innovation et de transformation dans tous les secteurs. Ces cas d’usage de l’informatique en périphérie tirent parti de l’analyse et de la prise de décision en temps réel à la périphérie du réseau, permettant aux organisations de traiter et d’analyser les données au plus près de leur source, d’améliorer les temps de réponse des applications sensibles à la latence ou d’assurer la diffusion de contenus en temps réel.

La répartition des ressources informatiques à la périphérie du réseau permet également aux organisations de s’adapter rapidement à l’évolution des besoins en matière de charges de travail et d’optimiser l’utilisation des ressources afin d’améliorer les performances et l’efficacité globales du système. Ces possibilités découlent en partie de l’évolution de composants spécialement conçus pour les infrastructures d’edge computing, tels que les serveurs en périphérie, les plateformes et bibliothèques d’edge computing, ainsi que les processeurs intégrant l’IA, qui fournissent les ressources de calcul, de stockage et de mise en réseau nécessaires à la prise en charge des applications d’IA en périphérie.

L’IA en périphérie a joué un rôle déterminant dans le renouveau des infrastructures à la périphérie du réseau, et l’intégration de l’IA à l’IoT continue de favoriser la prise de décisions intelligentes en périphérie, ouvrant la voie à des applications révolutionnaires dans les domaines de la santé, de l’automatisation industrielle, de la robotique, des infrastructures intelligentes et bien plus encore.

TinyML est une approche du machine learning et de l’IA qui vise notamment à créer des modèles logiciels et des algorithmes de machine learning légers, optimisés pour être déployés sur des appareils en périphérie aux ressources limitées, tels que les microcontrôleurs et les appareils d’IA en périphérie. Les algorithmes basés sur TinyML sont conçus pour être économes en énergie et capables d’exécuter localement des tâches d’inférence sans dépendre de ressources cloud.

En outre, les processeurs compacts et puissants tels que les DPU, qui sont des composants matériels spécialisés conçus pour décharger le CPU des tâches de traitement des données et les accélérer, sont de plus en plus utilisés pour l’edge computing et les charges de travail d’IA/ML, où le traitement efficace de grandes quantités de données est essentiel aux performances et à l’évolutivité. Cette efficacité est particulièrement précieuse dans les environnements d’edge computing où les contraintes énergétiques peuvent limiter l’utilisation de solutions GPU énergivores.

Une nouvelle génération de solutions réseau relie ces innovations au sein d’un continuum allant de la périphérie au cloud et au centre de données, permettant ainsi un traitement et une analyse fluides des données, ainsi qu’une observabilité transparente dans les architectures distribuées, notamment les environnements hybrides et multicloud, ainsi que les ressources d’informatique en périphérie. Ces réseaux s’appuieront de plus en plus sur des API, qui sont des composants essentiels des plateformes d’informatique en périphérie, car elles facilitent la communication, l’intégration et l’automatisation afin de permettre un échange et une synchronisation fluides des données au sein des environnements informatiques distribués. Les API assurent également l’interopérabilité entre divers appareils, systèmes et services en périphérie grâce à des interfaces standardisées, ce qui permet aussi le provisionnement, la gestion et le contrôle dynamiques des ressources et services en périphérie.

Dans ces architectures distribuées à grande échelle, les données peuvent être traitées et analysées de manière sécurisée en plusieurs points du continuum, depuis les appareils en périphérie situés à proximité des sources de données jusqu’aux serveurs cloud centralisés — ou répartis — hébergés dans des centres de données. Ce continuum de la périphérie à l’ensemble de l’infrastructure permet aux organisations d’exploiter en toute sécurité les atouts de plusieurs environnements informatiques et d’intégrer des charges de travail traditionnelles et d’IA afin de répondre aux diverses exigences des applications modernes.

Comment F5 peut vous aider

F5 est le seul fournisseur de solutions capable de sécuriser, de fournir et d’optimiser n’importe quelle application et n’importe quelle API, où qu’elles se trouvent, dans tout le continuum des environnements distribués, y compris les applications d’IA à la périphérie du réseau. Les applications basées sur l’IA sont à la pointe des applications modernes. Bien que les systèmes utilisant l’IA générative nécessitent une attention particulière, notamment en ce qui concerne les risques liés aux LLM et l’inférence distribuée, ces applications sont également exposées à la latence, aux attaques par déni de service, aux vulnérabilités logicielles et aux abus d’acteurs malveillants recourant à des bots et à l’automatisation malveillante.

Les nouvelles expériences numériques basées sur l’IA sont fortement distribuées et reposent sur un ensemble de sources de données, de modèles et de services déployés dans des environnements sur site, dans le cloud et en périphérie. Tous ces éléments sont reliés par un réseau croissant d’API qui engendre d’importants défis en matière de sécurité. La protection de ces connexions API et des données qui y transitent constitue le principal défi de sécurité auquel les entreprises doivent faire face à mesure qu’elles déploient davantage de services intégrant l’IA.

F5 Distributed Cloud Services propose la solution de sécurité des API compatible avec l’IA la plus complète du secteur, avec des tests du code des API et une analyse de la télémétrie pour contribuer à la protection contre les menaces sophistiquées optimisées par l’IA, tout en facilitant la sécurisation et la gestion des environnements applicatifs multicloud et en périphérie. Solutions F5 Multi-Cloud Networking proposent une mise en réseau SaaS avec optimisation du trafic, ainsi que des services de sécurité pour les déploiements dans les clouds publics et privés et en périphérie, le tout depuis une console unique, ce qui allège la gestion des services dépendants du cloud et de multiples fournisseurs tiers. Avec les solutions réseau F5, vous bénéficiez de déploiements d’IA accélérés, d’une gestion des politiques de bout en bout et d’une observabilité pour une infrastructure entièrement automatisable et fiable.

En outre, la nouvelle F5 AI Data Fabric constitue une base pour développer des solutions innovantes qui aident les clients à prendre des décisions plus éclairées et à agir plus rapidement. Les données de télémétrie de Distributed Cloud Services, BIG-IP et NGINX sont combinées pour fournir des informations sans précédent, générer des rapports en temps réel, automatiser des actions et alimenter des agents d’IA.

F5 lance également un assistant d’IA qui transformera la façon dont les clients interagissent avec les solutions F5 et les gèrent grâce à une interface en langage naturel. S’appuyant sur F5 AI Data Fabric, cet assistant d’IA générera des visualisations de données, détectera les anomalies, interrogera et générera des configurations de politiques, et appliquera des mesures correctives. Il fera également office de responsable du support client intégré, permettant aux clients de poser des questions et de recevoir des recommandations fondées sur l’entraînement du modèle à partir de bases de connaissances complètes sur les produits.

En alimentant et en protégeant vos applications basées sur l’IA, du centre de données à la périphérie du réseau, les solutions F5 vous offrent des outils puissants qui garantissent des performances et une sécurité prévisibles, afin que vous puissiez tirer le meilleur parti de vos investissements dans l’IA.

Contenu associé