Ce module détaille le rôle de l'infrastructure de stockage dans le pipeline de données d'IA. Il aborde les exigences de performance, les principales solutions Google Cloud, et les critères de décision pour choisir un service en fonction de la capacité, du débit et de la latence.

Ce module détaille les phases critiques de la préparation des données et de l'entraînement du modèle au sein du workflow d'IA. Il aborde l'optimisation du chargement des données à l'aide de Cloud Storage, d'AnywhereCache et de l'outil Dataflux Dataset, et compare les systèmes de fichiers hautes performances tels que Cloud Storage FUSE et Managed Lustre. Il décrit aussi les critères de décision pour des stratégies de point de contrôle efficaces afin d'assurer la tolérance aux pannes et de minimiser le temps d'inactivité des GPU.

Ce module détaille les stratégies de mise en service du modèle d'IA et d'archivage des données. Il aborde la sélection du stockage (Managed Lustre, Cloud Storage ou Hyperdisk ML) en fonction de l'échelle et de la latence, ainsi que les techniques d'optimisation, comme le streaming d'image GKE et Cloud Storage FUSE, qui permettent de minimiser les coûts et les temps de chargement.

Le PDF destiné aux participants contient les liens vers tous les modules.