OutilsZDNET FR13sem· 1 min de lecture

IA : NVIDIA et Oracle franchissent un cap décisif dans la vitesse de traitement des données

NVIDIA et Oracle ont annoncé une avancée significative dans le traitement des données pour l'intelligence artificielle, en dévoilant une technologie d'indexation vectorielle accélérée par GPU. Cette percée vise à lever l'un des principaux goulots d'étranglement des systèmes d'IA modernes : la capacité à exploiter efficacement des volumes massifs de données non structurées et multimodales — images, vidéos, textes, audio — en temps réel.

L'enjeu est considérable pour le secteur. À mesure que les entreprises déploient des applications d'IA générative et des systèmes de RAG (Retrieval-Augmented Generation), la vitesse de recherche dans des bases vectorielles devient un facteur critique de performance. Les approches classiques, reposant sur des index CPU, atteignent leurs limites face à des corpus de milliards d'entrées. En substituant la puissance de calcul parallèle des GPU à ces architectures traditionnelles, NVIDIA et Oracle promettent des gains de vitesse susceptibles de transformer l'expérience utilisateur des applications IA en production.

La solution s'appuie sur l'intégration des capacités GPU de NVIDIA directement au sein de la plateforme Oracle Database, permettant d'accélérer les opérations de similarité vectorielle sans déplacer les données hors de l'environnement de base de données. Ce couplage étroit entre infrastructure de stockage et accélérateur matériel constitue la particularité technique de l'approche, en réduisant la latence liée aux transferts de données entre systèmes hétérogènes.

Ce partenariat s'inscrit dans une course plus large où les grands fournisseurs cloud et les éditeurs de bases de données — MongoDB, Pinecone, Weaviate ou encore PostgreSQL via l'extension pgvector — cherchent à s'imposer comme la couche de mémoire de référence pour les architectures IA. La crédibilité combinée d'Oracle sur le marché enterprise et de NVIDIA sur l'accélération matérielle leur confère un positionnement stratégique fort face à ces concurrents.

Impact France/UE

Les entreprises européennes utilisant Oracle Cloud ou des GPU NVIDIA pour leurs pipelines de données IA pourraient bénéficier de gains de performance significatifs sur le traitement de données non structurées.

Dans nos dossiers

NVIDIA

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AI News

NTT DATA et NVIDIA déploient des usines d'IA d'entreprise à grande échelle

NTT DATA et NVIDIA s'associent pour proposer des "AI factories" d'entreprise — des plateformes full-stack intégrant les GPU NVIDIA, NeMo et NIM Microservices — permettant aux organisations de passer rapidement du pilote à la production à grande échelle. L'architecture couvre tout le cycle de vie de l'IA (entraînement, déploiement, gouvernance) dans des environnements cloud et edge. Parmi les premiers déploiements : un hôpital en oncologie pour l'analyse radiologique, un équipementier automobile pour réduire les temps de mise en production, et un fabricant américain utilisant la simulation accélérée pour valider une ligne de production de batteries.

UENTT DATA, présent en Europe, pourrait déployer ces plateformes d'IA industrielles auprès d'entreprises européennes dans les secteurs de la santé et de l'automobile.

OutilsActu

1 source

2Google AI Blog

Utilisez la fonction Canvas dans le mode IA pour accomplir des tâches et donner vie à vos idées directement dans Recherche.

La fonction Canvas dans le mode IA permet aux utilisateurs d'exécuter des tâches et de donner vie à leurs idées directement au sein de la plateforme Recherche. Cette fonctionnalité offre un environnement visuel pour concevoir et collaborer sur divers projets.

OutilsOutil

1 source

3Le Big Data

L’IA, la donnée et le piège de la vitesse : quand l’efficacité néglige la fiabilité

Une étude publiée par dbt Labs, spécialiste des frameworks de fiabilité des données, révèle un déséquilibre majeur dans l'adoption de l'intelligence artificielle au sein des entreprises. Si 72 % des équipes data utilisent l'IA pour accélérer l'écriture de code, seulement 24 % l'exploitent pour tester et garantir la fiabilité des données produites. Dans le même temps, 83 % des organisations déclarent que la confiance dans les données est devenue leur priorité stratégique numéro un, soit une hausse de 17 points en un an. Autre signal d'alarme : 71 % des professionnels de la data craignent de transmettre aux décideurs des résultats faux ou hallucinés, tandis que 57 % font face à une hausse des coûts d'infrastructure, sans augmentation équivalente des budgets. Et 41 % des entreprises souffrent d'un manque de clarté sur la propriété des données, créant des zones grises propices aux erreurs non détectées. Ce paradoxe a des conséquences concrètes et potentiellement coûteuses. En utilisant l'IA principalement comme accélérateur de production de code, sans l'intégrer dans des pipelines structurés avec des tests robustes, les entreprises risquent de construire ce que Benoît Perigaud, staff developer experience advocate chez dbt Labs, appelle une "usine à bugs ultrarapide". Le vrai danger n'est pas universel : il se concentre là où l'IA génère des requêtes ad hoc sur les données, sans couche sémantique pour encadrer les réponses des modèles de langage. Dans ces cas, une même question peut produire des réponses différentes selon le moment ou le contexte, sapant la crédibilité des analyses. La confiance, une fois perdue après une première hallucination visible, est difficile à reconstruire auprès des dirigeants. Ce constat s'inscrit dans une transformation plus large du rôle des équipes data. L'IA agit comme un multiplicateur de productivité : les mêmes équipes peuvent traiter davantage de demandes, mais la pression sur la qualité s'intensifie proportionnellement. Les frameworks comme dbt, qui intègrent les tests directement dans le cycle de transformation, offrent un modèle où fiabilité et vitesse ne s'excluent pas mutuellement. Mais leur adoption reste inégale, et la gouvernance peine à suivre la cadence d'adoption de l'IA. L'enjeu pour les prochaines années sera de combler ce fossé entre ambition stratégique et pratiques quotidiennes, avant que la multiplication des erreurs non détectées ne vienne éroder durablement la valeur des décisions data-driven.

OutilsOutil

1 source

4Towards AI

De l'extraction à la précision : évaluer les données de factures extraites avec un LLM comme juge

L'article de Krishnan Srinivasan présente un pipeline d'évaluation end-to-end pour mesurer la précision des données extraites de factures par des systèmes IA, en utilisant le pattern LLM-as-a-Judge. Ce pattern consiste à utiliser un LLM non pas pour effectuer la tâche principale, mais pour comparer les résultats extraits (ID de facture, montant, fournisseur) contre une vérité terrain, en produisant un score de précision, une classification et une explication. L'implémentation s'appuie sur Snowflake Cortex avec des données synthétiques, et forme une boucle fermée d'évaluation continue — indispensable pour les systèmes IA agentiques en production.

OutilsTuto

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, rédigé par un humain · désinscription en un clic