DataStax vise à sauver les entreprises des cauchemars du développement d'IA avec le soutien de Nvidia.

DataStax étend sa plateforme de données pour répondre aux exigences croissantes des développeurs d'IA d'entreprise. Aujourd'hui, l'entreprise lance la DataStax AI Platform, développée en collaboration avec Nvidia AI. Cette nouvelle plateforme intègre les technologies de base de données existantes de DataStax, notamment DataStax Astra pour les applications cloud-native et la DataStax Hyper-Converged Database (HCD) pour des déploiements autogérés. Elle intègre également la technologie Langflow, qui facilite la création de workflows d'IA agentique. Les composants d'IA d'entreprise de Nvidia enrichissent cette offre, permettant aux organisations de construire et déployer rapidement des modèles avec une efficacité améliorée. L'intégration inclut NeMo Retriever, NeMo Guardrails et NIM Agent Blueprints.

Selon DataStax, cette plateforme peut réduire le temps de développement d'IA de 60 % et gérer les charges de travail d'IA 19 fois plus rapidement que les solutions existantes. "Le temps de mise en production est crucial, car construire ces systèmes peut être long," a déclaré Ed Anuff, Chief Product Officer chez DataStax. "De nombreuses organisations se retrouvent bloquées dans l'enfer du développement."

Comment Langflow Renforce l'IA Agentique

Langflow, l'outil d'orchestration visuelle de l'IA de DataStax, joue un rôle clé sur la nouvelle plateforme d'IA. Il permet aux développeurs de créer visuellement des workflows d'IA en faisant glisser et déposer des composants sur un canevas. Ces composants incluent diverses fonctionnalités de DataStax et Nvidia, comme des sources de données, des modèles d'IA et des étapes de traitement, simplifiant la création d'applications d'IA complexes. "Langflow met en lumière toutes les capacités et API de DataStax, ainsi que les composants et microservices de Nvidia sous forme d'éléments visuels interconnectables et interactifs," a expliqué Anuff.

Langflow permet également l'IA agentique sur la plateforme DataStax. Selon Anuff, la plateforme prend en charge trois types d'agents clés :

- Agents orientés tâches : Ces agents gèrent des tâches spécifiques pour les utilisateurs, comme assembler des forfaits vacances dans une application de voyage en fonction des préférences.

- Agents d'automatisation : Fonctionnant en arrière-plan, ces agents gèrent des tâches par communication API, facilitant des workflows automatisés sans intervention directe de l'utilisateur.

- Systèmes multi-agents : Cette méthode décompose des tâches complexes en sous-tâches attribuées à des agents spécialisés.

Les Avantages de l'Intégration Nvidia et DataStax pour l'IA d'Entreprise

La collaboration entre les capacités de Nvidia et la technologie de DataStax, améliorée par Langflow, offre des avantages considérables pour les utilisateurs d'IA d'entreprise. Anuff a noté que l'intégration avec Nvidia permet d'invoquer plus facilement des modèles de langage et des embeddings personnalisés via une architecture de microservices NIM standardisée, permettant aux utilisateurs de tirer parti du matériel et des logiciels de Nvidia pour une exécution efficace des modèles.

De plus, l'introduction de guardrails protège les utilisateurs en empêchant les contenus et résultats non sécurisés. "Les guardrails sont un modèle d'interception qui filtre les contenus potentiellement dangereux venant des utilisateurs ou des bases de données," a déclaré Anuff, soulignant leur impact sur les développeurs et les utilisateurs finaux.

L'intégration soutient également l'amélioration continue des modèles. Anuff a mentionné que NeMo Curator permet aux utilisateurs d'IA d'entreprise d'identifier du contenu supplémentaire pour un affinage. Dans l'ensemble, cette intégration accélère l'adoption de l'IA dans les entreprises tout en offrant une solution rentable. Anuff a insisté sur le fait qu'elle ne repose pas uniquement sur les GPU : "La pile d'entreprise Nvidia peut exécuter des charges de travail sur les CPU et GPU. Bien que les GPU soient généralement plus rapides, transférer certaines tâches vers les CPU peut générer des économies dans des domaines moins critiques."