L’intelligence artificielle est désormais un sujet stratégique qui vient s’inviter dans notre vie quotidienne et profondément faire évoluer de nombreux processus au sein des entreprises. Dans ce contexte, l’IA va jouer un nouveau rôle stratégique au sein des datacenters : les préserver de problèmes électriques pouvant compromettre leur intégrité et provoquer un incendie.

L’approche prédictive et intelligente comme nouvelle protection à la continuité de service

Bien sûr, la majorité des Datacenters sont aujourd’hui équipés de systèmes leur permettant d’activer un certain nombre de protections en cas d’incendie. Pour autant, l’actualité nous montre que cette approche n’est pas suffisante et n’empêche pas les catastrophes de se produire, entrainant ensuite des conséquences désastreuses pour les entreprises qui ont hébergé leurs applications, systèmes d’information et données sur ces sites. C’est précisément pour cette raison qu’une approche 100 % réactive à incident n’est pas la bonne méthode et fait courir des risques inconsidérés aux exploitants de datacenters.

De plus, nombre d’assureurs excluent de leurs garanties les dommages ayant pour origine une société tierce. La perte de données n’est pas couverte par l’assurance multirisque de l’entreprise ni par la responsabilité civile. Les entreprises qui ont souscrit une assurance dite « Cyber » ne sont pas mieux couvertes, puisque la perte de données fait partie des exclusions.

C’est précisément dans ce contexte que les exploitants de datacenters ont une responsabilité importante vis-à-vis de leurs clients qui leur confient leur patrimoine informationnel. Pour ce faire, opter pour une démarche prédictive permet de limiter grandement les risques d’incendie et d’indisponibilité en anticipant les pannes susceptibles d’intervenir. Il s’agit ici d’analyser les signaux faibles des armoires électriques et de détecter préventivement les incidents. L’idée est de protéger l’ensemble des armoires électriques, de surveiller en continu les constantes des équipements et d’être alertés en temps réel en cas de défaillance.

C’est dans ce contexte que des algorithmes intelligents et l’IA se positionnent au centre des dispositifs de prédiction. Détecter des émanations de substances, gaz et microparticules inhabituelles devient alors une réalité qui une fois digitalisée par l’IA permettra de déclencher des alertes auprès des techniciens, qui pourront alors intervenir pour éviter toute défaillance : maintenance prédictive des infrastructures pour éviter de subir des arrêts d’exploitation ou des dommages significatifs. Ces défaillances jusqu’ici imperceptibles, sont désormais anticipées avec des technologies à base d’IA pour la protection des équipements électriques en entreprise (Armoires et TGBT).

À travers ces éléments, on comprend parfaitement que l’Intelligence artificielle appliquée au secteur des datacenters ne se résume pas uniquement à des cas d’usage liés à la gestion des prévisions des consommations énergétiques par exemple, mais qu’elle occupe une place centrale dans leur protection contre des problèmes électriques pouvant impacter leur bon fonctionnement.

Frédéric BONNARD chez HDSN

L’incroyable effervescence médiatique, en particulier grâce à l’ascension fulgurante de Chat GPT qui a séduit un million d’utilisateurs en seulement cinq jours, combinée aux perspectives commerciales colossales des applications d’IA (un marché global annuel estimé à 390 milliards de dollars en 2025, selon Deloitte), a incontestablement captivé l’attention de toutes les entreprises. L’IA Générative, oui, mais à quelles fins ?

Les LLM (Larges Languages Models) représentent avant tout une technologie de transformation. Ils ne se bornent pas à améliorer une technologie existante, ni à satisfaire un besoin préexistant. En réalité, l’IA générative a la capacité non seulement d’enrichir les produits des entreprises et de susciter de nouveaux besoins, mais surtout de transformer fondamentalement la manière dont les individus travaillent en tant que collaborateurs et interagissent en tant que clients.

Réinventer les concepts de productivité et d’organisation

Dans un business process classique, l’approche consiste à identifier des points de douleur puis à proposer une solution correspondante. Toutefois, avec l’IA générative qui opère une transformation profonde, cette méthode traditionnelle est soumise à un examen minutieux. Les LLM ne sont pas un produit en soi, mais plutôt un moteur de transformation et d’innovation. L’IA générative représente un outil, une capacité, adaptable à une multitude de produits, services et applications en vue de les améliorer, de les personnaliser et de les rendre plus efficaces. Par exemple, elle peut être intégrée dans des chatbots pour rendre les interactions plus naturelles, dans des systèmes de recommandation pour fournir des suggestions plus pertinentes, ou dans des outils d’analyse de données pour générer des informations précises.

En somme, c’est une technologie qui exige une intégration et une adaptation précises aux contextes particuliers pour déployer son plein potentiel. En un sens, il n’y a pas de cas d’utilisation spécifiques prédéfinis, car pratiquement tous les aspects du travail et des organisations commerciales peuvent être impactés. De plus, lorsqu’il s’agit d’automatisation basée sur le contenu, les distinctions entre les secteurs d’activité perdent de leur pertinence. Cependant, il est crucial de noter que cette précision ne signifie pas que les LLM peuvent tout accomplir, que tous les clients sont identiques, ou que des ajustements ne sont pas nécessaires.

Bien au contraire. Les LLM généralistes démontrent leur remarquable capacité à ingérer et à générer tout type de contenu. Cependant, l’opportunité réside dans la personnalisation de ces modèles pour résoudre des problèmes pointus. Chaque fonction présente des besoins uniques propres à l’organisation dans laquelle elle évolue, allant de la création automatisée de rapports financiers à la génération de descriptions de produits pour les plateformes de commerce en ligne.

S’adapter à des attentes métiers et répondre à leurs usages

Si les LLMs d’OpenAI ou d’Anthropic sont d’une puissance extraordinaire, ce n’est pas pour autant qu’ils représentent la meilleure solution pour un cas d’usage précis. Il est en effet nécessaire d’adapter et de dimensionner le LLM au cas d’usage. Ainsi, les techniques d’adaptation de RAG (Retrival Augmented Generation) permettent de résoudre ce problème en entraînant le modèle sur des données lui conférant un contexte. On obtient alors un LLM plus efficace qu’un modèle généraliste tout en étant plus compact et plus frugal. Cette personnalisation permet aux modèles d’aborder des défis complexes tels que la détection de fraudes, la gestion de la relation client ou la lecture d’un contrat complexe. Un LLM fine-tuné pourra être combiné à un LLM généraliste pour répondre à différents cas d’usages.A titre d’exemple, le projet TheLLMa incarne une initiative avant-gardiste dans le domaine des Modèles de Langage à Grande Échelle (LLM) dédiés spécifiquement à l’écosystème industriel français.

Au final, il y a de fortes chances que des initiatives similaires se multiplient au cours des mois et des années à venir. Une transformation réussie par le biais de l’IA dépendra de la capacité des organisations à identifier et à utiliser des modèles généralistes et fine-tuné mais aussi à s’appuyer sur des chaînes de valeur associées.

Par Guillaume Lanthier – Practice manager IA & Data – Smile