Extraction des KPIs de documents financiers
Introduction : Une réalité économique incontournable pour les CTO
L’essor de l’IA transforme l’exploitation des données, mais son exécution reste coûteuse, surtout sur des infrastructures cloud non optimisées.
Dans un contexte où les ressources GPU (type H100, H200) sont facturées à l’heure et rarement exploitées à 100%, les CTO doivent trouver des solutions permettant d’optimiser les coûts sans compromettre les performances.
Ryax répond à ces défis en structurant efficacement les workflows IA pour optimiser l’usage des ressources et réduire les dépenses. Sa plateforme permet aux Data Scientists de créer, déployer et gérer leurs analyses simplement, en s’affranchissant des contraintes du data engineering et des limites d’infrastructure.
Un cas d'usage: l'extraction de KPI financiers
Prenons un cas concret : l’extraction de Key Performance Indicators (KPI) à partir de rapports financiers.
Dans le secteur financier, l'extraction manuelle des indicateurs clés de performance (ICP) à partir des rapports annuels représente un obstacle opérationnel majeur. Les institutions financières traitent des milliers de rapports chaque année, chacun contenant des indicateurs critiques enfouis dans des structures de documents complexes. Ce processus nécessite traditionnellement un effort humain considérable, est sujet aux erreurs et a du mal à évoluer avec l'augmentation des volumes de documents.
De nombreuses sociétés ont démarré l'automatisation de ce processus et font face à un nouveau défi: la consommation de ressources nécessaire pour ce traitement.
Ce processus se décompose de la façon suivante:
Import du fichier
Extraction des données
Calcul des KPIs
Stockage dans une base de donnée
Le schéma suivant représente le workflow de l'application
Principe de l'anlayse
Dans ce cas d'usage l'extraction des KPIs se fait à partir de 1 180 rapports financiers, exécutée quotidiennement en 32 workflows indépendants.
Ce processus repose sur :
• Des tâches CPU standards, exécutées en moins d’une minute.
• Des opérations lourdes en GPU, nécessitant des modèles d’IA pour l’analyse documentaire et la vision par ordinateur.
L’un des constats majeurs de cette étude a été l’inefficacité des modèles de provisionnement actuels.
Un Exemple Chiffré d’Inefficacité
Dans un environnement cloud traditionnel, les entreprises sont contraintes de réserver des instances GPU complètes, même si leur charge de travail ne les utilise que partiellement.
Résultat :
• Un coût de 34,41 € par exécution sur AWS (p5.48xlarge).
• Un coût de 30,41 € par exécution sur GCP (a3-highgpu-8g).
• Une consommation largement sous-optimale, les ressources GPU étant utilisées seulement sur 67% du temps total du workflow.
L’enjeu est clair : comment réduire la surallocation des ressources tout en maintenant une exécution performante des modèles IA ?
La proposition de Ryax : Une Orchestration avancée pour une optimisation multi-niveaux
Ryax a développé une approche en plusieurs étapes permettant d’optimiser les applications d' IA sur le cloud, tout en s’adaptant aux contraintes spécifiques des modèles exécutés.
1. Décomposition des Workflows via la containérisation
L’une des premières optimisations consiste à fragmenter les pipelines IA en actions indépendantes, exécutées dans des conteneurs dédiés. Cela permet :
• Une allocation dynamique des ressources, chaque tâche recevant uniquement ce dont elle a besoin.
• Une réduction des coûts de 34%, car les instances CPU et GPU sont utilisées plus intelligemment.
Avec cette approche, les entreprises ne payent plus pour des instances monolithiques surdimensionnées, mais seulement pour les ressources réellement consommées.
2. Optimisation automatique des ressources (CPU/GPU/Mémory)
Une fois les workflows containérisés, l’étape suivante consiste à optimiser l’usage des ressources grâce à la technologie Ryax InteliScale. S'appuyant sur des techniques de machine learning, Ryax fractionnent les ressources physiques pour une allocation adaptée au besoin des containers.
Grâce à cette approche :
• Les workloads sont répartis sur des fractions de GPU, évitant ainsi la sous-utilisation des ressources.
• Le coût d’exécution diminue de 26% supplémentaires, sans compromis sur les performances.
• Le nombre total d’instances GPU peut être réduit, améliorant la densité d’utilisation et réduisant les dépenses cloud.
3. Allocation Multi-Cloud et Orchestration Dynamique
Au-delà de la simple allocation des ressources, Ryax propose une orchestration avancée des workloads IA, permettant de :
• Sélectionner le fournisseur cloud optimal en fonction des coûts et des performances.
• Répartir la charge de calcul en fonction des capacités CPU/GPU disponibles en temps réel.
• Utiliser des métriques de consommation énergétique pour privilégier des infrastructures plus durables.
Ce modèle d’allocation dynamique assure un équilibre optimal entre coût, performance et disponibilité, tout en s’adaptant aux variations de charge.
Les Résultats : Plus de 50% d’Économies, avec un Impact Minimal sur la Performance
En combinant ces trois approches – containérisation, optimisation des ressources et orchestration multi-cloud – nous avons atteint une réduction totale des coûts de 51,6%, avec une augmentation minime de 7,1% du temps d’exécution.
Cela représente près de 6 000 € d’économies annuelles pour un seul cas d’usage. Appliqué à grande échelle, l’impact financier devient colossal.
Pourquoi Adopter Ryax dès Aujourd’hui ?
Les entreprises qui exploitent l’intelligence artificielle font face à une pression croissante pour réduire leurs coûts opérationnels tout en maintenant un haut niveau de performance. Ryax offre une solution pragmatique et éprouvée pour atteindre cet équilibre.
Les bénéfices concrets pour votre organisation :
✔ Optimisation Multi-Niveau : Une approche holistique combinant conteneurisation, partitionnement GPU et orchestration dynamique.
✔ Réduction Massive des Coûts : Jusqu’à 50% d’économies sur vos dépenses cloud en éliminant le gaspillage de ressources.
✔ Flexibilité et Scalabilité : Un modèle évolutif capable de s’adapter aux besoins en temps réel et aux variations de charge.
✔ Une Implémentation Transparente : Intégration rapide avec vos infrastructures existantes, sans refonte complexe de vos workflows.
Avec Ryax, vous reprenez le contrôle sur vos coûts d’infrastructure IA, tout en garantissant des performances optimales et une exécution fluide de vos modèles.
Vous souhaitez avoir les détails de l'optimisation, téléchargez notre étude détaillée
lien de l'étude: Finance cost optimization UC
Nos autres cas d'usages
Ryax résout de nouveaux use-cases tous les jours
Parlez-nous de vos projets.