Comprendre le superordinateur : la thèse de Théo Saillant montre en main

Dans un monde toujours plus numérique, la puissance de calcul occupe une place clé. Elle est la matière première pour réaliser des simulations, des traitements de données massives et pour visualiser les résultats.

Pour répondre à ce besoin grandissant, des machines dédiées sont rassemblées dans de grands centres de calcul et sont partagées entre utilisateurs. Avec le temps, ces superordinateurs deviennent donc plus volumineux et surtout plus complexes.

Dans cette course à la vitesse, l'humain peine à comprendre l'activité de la machine car elle produit une quantité importante de données. A l'heure actuelle, on s'intéresse à celles-ci principalement lors d'un incident pour caractériser l'origine du problème ou concevoir le modèle suivant de superordinateur. Il s'agit d'un travail d'autant plus long et fastidieux que le superordinateur se complexifie. Certains détails essentiels à la compréhension d'un incident échappent également au pilote du calculateur du fait de l'exigence de confidentialité du calcul haute performance industriel.

Le pilotage du calculateur n'est donc pas totalement maîtrisé par l'humain, et il est clair que l'analyse des données produites par le calculateur après incident ne tardera pas à devenir un véritable facteur limitant du fait de sa difficulté croissante.

En parallèle nous assistons à l'ascension des techniques de l'apprentissage automatique et statistique qui aspirent à mieux comprendre et maîtriser les systèmes complexes produisant de grandes quantité de données.
L'objectif de la thèse est donc de s'inspirer de telles méthodes pour répondre aux besoins d'anticipation des incidents et de pilotage du calculateur.

Alors que les machines se complexifient, l'intelligence artificielle nous promet de mieux comprendre et maîtriser le superordinateur.

Lire l'article et écouter l'émission sur le site de France Culture.