Comment NTT DATA et NVIDIA accélèrent le déploiement de l’IA en entreprise

Comment NTT DATA et NVIDIA accélèrent le déploiement de l’IA en entreprise

Les projets d’intelligence artificielle rencontrent souvent des difficultés. Ils brillent lors des démonstrations, mais peinent à devenir de véritables outils opérationnels. Pour remédier à cela, NTT DATA et NVIDIA ont décidé d'intervenir.

Ensemble, ils lancent une nouvelle initiative visant à accélérer le déploiement de l’intelligence artificielle dans les entreprises. Leur objectif est de proposer des usines d’IA, des plateformes construites autour des technologies NVIDIA.

Ces plateformes combinent la puissance de calcul accélérée par GPU et la connectivité réseau haute performance de NVIDIA avec les logiciels d’IA d’entreprise, notamment NVIDIA NeMo et les microservices NVIDIA NIM. Elles accompagneront les organisations tout au long du cycle de vie de l’IA, de l’entraînement des modèles au développement d’applications, tout en intégrant des règles de gouvernance strictes.

Elles visent à standardiser les résultats et à réduire le temps et le coût nécessaires pour transformer un projet pilote concluant en solution opérationnelle.

NeMo et NIM au cœur de la plateforme

Sur le plan technique, l’architecture repose principalement sur deux briques logicielles développées par NVIDIA. La première, NeMo, constitue une suite dédiée à la création de systèmes d’IA multi-agents sur des infrastructures accélérées par GPU.

La seconde, les microservices NIM, proposent des conteneurs préconfigurés et optimisés pour GPU, accompagnés d’API permettant de déployer plus facilement des applications d’intelligence artificielle.

Ensemble, ces technologies forment ce que NTT DATA décrit comme une plateforme d’agents d’IA complète et prête pour la production. L’entreprise propose également des prototypes GenAI déjà pré-qualifiés, construits sur cette architecture.

L’objectif est de réduire la complexité technique et d’accélérer le retour sur investissement pour les organisations souhaitant développer des applications spécifiques à leur secteur.

Pour John Fanelli, les entreprises recherchent désormais des plateformes capables d’accompagner leurs initiatives d’IA bien au-delà de la phase de test. Selon lui, les solutions proposées par NTT DATA permettent aux clients d’accéder à des environnements évolutifs et adaptés à leurs besoins métiers.

À quoi servent ces usines IA dans un contexte réel ?

Plusieurs exemples illustrent déjà l’utilisation de ces plateformes dans des environnements concrets :

• Dans le domaine médical, un centre de recherche spécialisé dans le cancer a exploité les plateformes NVIDIA HGX en collaboration avec NTT DATA et Dell Technologies. Cette infrastructure permet d’effectuer rapidement des analyses radiologiques avancées et d’accélérer l’évaluation de modèles destinés à soutenir la recherche clinique.

• Dans l’industrie automobile, un équipementier mondial utilise une architecture d’usine basée sur l’IA et l’infrastructure NVIDIA pour valider ses charges de travail directement sur le matériel avant un déploiement à grande échelle, réduisant ainsi sensiblement les délais de mise en production.

• Dans le secteur technologique, une entreprise américaine s’appuie sur les technologies de simulation accélérée et de visualisation 3D de NVIDIA pour tester et optimiser une ligne de production de batteries de nouvelle génération, validant le fonctionnement de l’installation dans un environnement numérique avant sa construction physique.

NTT DATA présente ainsi les usines d’IA d’entreprise comme un modèle adaptable à différents secteurs. La suite logicielle de NVIDIA agit comme une infrastructure commune, tandis que les applications peuvent être personnalisées en fonction des besoins spécifiques de chaque industrie.

Les obstacles qui attendent les usines d’IA

Les usines d’IA de NTT DATA et NVIDIA promettent d’accélérer le passage de l’expérimentation à la production. Cependant, leur déploiement à grande échelle ne sera pas sans obstacles.

• Le premier défi concerne l’infrastructure. Les plateformes reposent sur des architectures accélérées par GPU très puissantes, coûteuses et gourmandes en énergie. Pour de nombreuses organisations, installer ou louer ce type d’environnement représente un investissement conséquent, surtout lorsque les projets d’IA ne garantissent pas encore un retour immédiat.

• La complexité technique constitue également un frein. L’intégration de l’IA dans des systèmes informatiques existants reste un chantier délicat, et beaucoup échouent dans cette démarche. Le rapport du MIT State of AI in Business 2025 montre que 95 % des projets pilotes d’IA restent bloqués avant d’apporter une vraie valeur métier, souvent en raison de modèles inadaptés aux processus internes et aux systèmes existants.

• Un autre défi concerne la gouvernance des données et la conformité réglementaire. Les modèles d’IA manipulent souvent des informations sensibles, et dans des secteurs comme la santé ou l’industrie, les organisations doivent garantir la sécurité, la traçabilité et la conformité aux réglementations locales.

• Enfin, la question de la standardisation reste centrale. Chaque secteur possède ses propres contraintes métiers, et transformer une plateforme générique en solution réellement adaptée à un domaine précis demande encore beaucoup de personnalisation et d’expertise.