Pour rappel, le projet IOWN est une initiative visant à redéfinir les infrastructures de communication en exploitant les dernières avancées en matière de technologie optique et sans fil. À l’origine, ce projet a été proposé et est activement développé par NTT. Son objectif est de créer un réseau de communication de nouvelle génération qui puisse répondre aux demandes en termes de bande passante, de faible latence, de fiabilité et de capacité de traitement des données, tout en réduisant la consommation d’énergie et l’impact environnemental.
Faciliter l’analyse de données assistée par IA à la périphérie du réseau
Avec l’accélération du développement de l’IA, des technologies de détection et des innovations en matière de services, l’importance de l’analyse de données assistée par IA à la périphérie du réseau devient de plus en plus cruciale. Le projet envisage l’utilisation de technologies de réseau optique et de solutions sans fil pour atteindre ces objectifs, offrant ainsi une infrastructure capable de supporter l’explosion des volumes de données générés par l’Internet des objets, les villes intelligentes, la réalité augmentée/virtuelle (AR/VR), les véhicules autonomes, et d’autres applications de la société numérique.La solution proposée repose sur le réseau entièrement photonique (APN) d’IOWN et sur des technologies d’accélération des pipelines de données au sein de l’Infrastructure Centrée sur les Données (DCI) d’IOWN. Le pipeline de données accéléré de NTT pour l’IA utilise une méthode d’accès direct à la mémoire distante (RDMA) sur l’APN pour collecter et traiter de grandes quantités de données issues de capteurs en périphérie. NTT et Red Hat ont réussi à prouver que cette solution permet de réduire considérablement la consommation d’énergie tout en conservant des temps de latence réduits pour l’analyse en temps réel, assistée par IA à la périphérie des réseaux.
La consommation d’énergie peut être réduite de 40 %
Le PoC a évalué la plateforme d’analyse de données en temps réel assistée par l’IA grâce à un dispositif de capteurs situé à Yokosuka et à un centre de données distant, situé à Musashino, les deux étant reliés par l’APN. Le résultat a montré qu’avec un grand nombre de caméras en fonction, le temps de latence pour agréger et analyser les données des capteurs avec l’aide de l’IA était réduit de 60 % par rapport aux charges de travail traditionnelles pour les inférences d’IA.De plus, l’essai d’IOWN a démontré que la consommation d’énergie nécessaire pour l’analyse de données assistée par l’IA pour chaque caméra en périphérie pouvait être réduite de 40 % par rapport aux technologies conventionnelles. Cette plateforme permet également une mise à l’échelle des processeurs graphiques (GPU) pour supporter un nombre plus important de caméras sans que le processeur central devienne un goulet d’étranglement, avec une réduction potentielle de la consommation d’énergie de 60 % pour 1 000 caméras connectées.
Optimiser les coûts en minimisant l’impact environnemental
Ces solutions, comme celle du projet IOWN, sont des exemples de la manière dont les infrastructures télécom évoluent pour supporter les volumes de données de l’inférenceet des exigences de traitement en temps réel. L’utilisation de technologies telles que le RDMA sur des réseaux entièrement photoniques et l’accélération des pipelines de données illustrent la manière dont les avancées en matière de réseau photonique, de traitement des données à la périphérie et d’intégration de l’IA dans les infrastructures de communication évoluent.Ces innovations permettent non seulement une réduction significative de la latence et de la consommation d’énergie, mais elles offrent également une flexibilité et une échelle de déploiement accrues pour les applications d’IA à la périphérie des réseaux.En conséquence, les opérateurs de télécommunications et les fournisseurs de services peuvent désormais proposer des solutions plus efficaces et durables, capables de répondre aux demandes des applications modernes d’analyse de données et d’inférence IA, tout en optimisant les coûts et en minimisant l’impact environnemental.
