14 oct. 2026 | SAN DIEGO | PARIS
Cette nouvelle capacité de calcul Python distribué accélère les traitements d’IA à grande échelle, tout en maintenant les données et les ressources de calcul au sein de la plateforme Teradata.
Teradata (NYSE: TDC) annonce aujourd’hui la disponibilité générale d’Elastic Python Compute dans AI Studio. Cette nouvelle fonctionnalité met à la disposition des équipes de data science un environnement Python géré et distribué leur permettant de faire évoluer leurs capacités de calcul pour l’IA et le machine learning. Elle repose sur l’exécution parallèle de Python pour les tâches d’ingénierie des données, de machine learning et de développement de modèles.
Reposant sur Ray, un framework de calcul distribué, Elastic Python Compute s’intègre nativement à la Teradata Autonomous Knowledge Platform et à AI Studio. Les data scientists peuvent ainsi paralléliser l’entraînement des modèles, exécuter des applications Python personnalisées à grande échelle et prendre en charge des workloads d’IA et de machine learning intensives, sans les contraintes liées à la configuration manuelle des clusters ni à la gestion des clusters Ray. Compatible avec les déploiements sur un serveur unique comme avec les déploiements en cluster, Elastic Python Compute offre aux entreprises la flexibilité nécessaire pour faire évoluer leurs workloads, de tâches individuelles à des opérations à l’échelle de l’entreprise. Cette approche permet d’accélérer les cycles de développement, de renforcer les contrôles de gouvernance et de réduire les coûts d’infrastructure.
Données et calculs d’IA au sein de la plateforme
Elastic Python Compute permet d’héberger et de gouverner les modèles directement au sein de la plateforme, sans dépendance à des API externes ni coûts d’inférence liés à l’utilisation de jetons (tokens). Les workloads d’IA s’exécutent entièrement au sein de la plateforme Teradata, y compris dans AI Studio, sans nécessiter de déplacement des données. Elastic Python Compute lit et écrit directement les données dans la base de données Teradata, le stockage d’objets S3 et les catalogues compatibles avec l’Open Table Format, tels qu’Apache Iceberg et Delta Lake. Les équipes de data science peuvent ainsi intégrer des fichiers et des images pour l’entraînement et le scoring des modèles. La gestion flexible des clusters, qui permet notamment d’exécuter des clusters distincts selon les workloads, aide les équipes à optimiser les coûts et les performances en choisissant entre des ressources de calcul CPU ou GPU en fonction des besoins.
Le traitement massivement parallèle prend en charge les workloads d’IA et de données à grande échelle dans les environnements cloud, on-premises et hybrides.
La plateforme prend également en charge Arrow Flight SQL, qui permet des transferts de données parallèles et en colonnes entre les applications et la plateforme Teradata. Selon les tests de performance réalisés par Teradata, cette technologie permet d’atteindre des vitesses de transfert jusqu’à 84 fois supérieures à celles des méthodes traditionnelles reposant sur un transfert ligne par ligne.*
Impact pour les clients
Une banque de détail exportait des dizaines de millions d’enregistrements clients vers des environnements Python locaux pour réaliser l’ingénierie des caractéristiques (feature engineering) de ses modèles de crédit. Cette pratique créait des lacunes dans la gouvernance des données et exposait l’établissement à des risques de non-conformité aux réglementations relatives à la localisation des données. Grâce aux capacités d’analyse directement dans la base de données (in-database) d’AI Studio, les pipelines de scoring de crédit, qui prennent notamment en compte l’historique des paiements, les taux d’utilisation et les indicateurs de retards de paiement, s’exécutent désormais trois fois plus rapidement, tout en respectant le périmètre de gouvernance. Une piste d’audit complète, des données brutes aux résultats finaux du modèle en passant par l’ingénierie des caractéristiques, permet aux autorités de contrôle de reconstituer à la demande chaque étape du processus.
Pour un grand opérateur de télécommunications, le défi résidait dans le passage à l’échelle. Son équipe de data science exportait des milliards d’enregistrements détaillés d’appels et d’événements de télémétrie réseau vers des clusters Python externes. Ce processus, lent et coûteux, présentait des risques en matière de souveraineté des données. Le feature engineering, portant notamment sur les taux de coupure des appels, les indicateurs de qualité du signal et les tendances de l’ARPU (revenu moyen par utilisateur), s’effectue désormais directement au sein de la plateforme Teradata. Le modèle de prédiction du taux de désabonnement (churn) est entraîné intégralement dans l’infrastructure de l’opérateur, répondant ainsi aux obligations du RGPD et aux exigences nationales en matière de localisation des données. Le temps d’exécution du feature engineering est passé de quatre heures à vingt minutes, tandis que la précision du modèle s’est améliorée de 12 %, grâce à un entraînement sur l’ensemble des données plutôt que sur un échantillon limité.
Dans le secteur public, une agence maritime gouvernementale devait suivre les navires qui désactivent leurs transpondeurs pour dissimuler leurs déplacements. Grâce à Elastic Python Compute, l’équipe de data science de l’agence a combiné des images satellitaires, des signaux radar, des données AIS (système d’identification automatique des navires) et des données d’imagerie commerciale afin de reconstituer des déplacements qui seraient autrement passés inaperçus. Les analyses fondées sur l’IA ont fusionné ces différentes sources de données pour produire des renseignements maritimes exploitables, améliorant la visibilité et permettant de réagir plus rapidement et plus efficacement aux menaces pour la sécurité en mer.
Le point de vue d’un dirigeant
"Depuis des années, les équipes de data science doivent composer avec une contrainte majeure : déplacer les données hors de leurs plateformes pour développer et entraîner des modèles d’IA, au prix de risques accrus en matière de gouvernance et de coûts supplémentaires. Elastic Python Compute lève cette contrainte. Les équipes peuvent désormais exécuter des workloads d’IA distribués à grande échelle, directement là où résident leurs données, et accélérer la mise en production sans compromettre la gouvernance ni la maîtrise des coûts."
— Sumeet Arora, Chief Product Officer, Teradata
Disponibilité
Elastic Python Compute est désormais disponible de manière générale dans AI Studio sur AWS et Microsoft Azure. Sa disponibilité sur Google Cloud est prévue au quatrième trimestre 2026. La solution est également disponible dès à présent on-premises avec Teradata Factory.
* Les performances peuvent varier. Les tests de performance ont été réalisés dans un environnement de test spécifique et les résultats obtenus peuvent différer de ceux observés sur votre propre infrastructure.
Teradata permet aux entreprises de transformer l’intelligence en actions autonomes, en intégrant les agents IA à un contexte métier riche et à des données fiables. À mesure que l’adoption des agents IA s’accélère, Teradata fournit la base contextuelle, la couche de gouvernance et l’infrastructure de performance essentielles aux organisations. La plateforme Teradata Autonomous Knowledge facilite la mise en production de l’IA dans des environnements cloud, on-premises et hybrides, en assurant cohérence, contrôle et performance. En savoir plus sur Teradata.fr.