Évaluation — Infrastructures pour l'IA : GPU, densité et contraintes

1. Quelle est la principale différence de profil de charge entre entraînement et inférence ?

2. Au-delà de quelle densité approximative le refroidissement liquide devient-il généralement nécessaire ?

3. Pourquoi dimensionner un onduleur uniquement sur la puissance moyenne d'un cluster GPU est-il risqué ?

4. Quel indicateur permet de détecter un problème réseau sur un cluster d'entraînement avant qu'il ne coûte des jours de calcul ?

5. Pourquoi le stockage d'un cluster d'entraînement doit-il être dimensionné en débit agrégé et pas seulement en capacité ?

6. Dans l'exemple du module 3, avec un budget d'erreur de 72 heures sur un run de 720 heures et 60 heures déjà consommées, combien reste-t-il de marge ?