DeepSeek présente DSec, sandbox élastique pour agents IA

DeepSeek a présenté DSec, une infrastructure de bac à sable conçue pour entraîner et évaluer à grande échelle des modèles de langage capables d'actions autonomes. Ces systèmes nécessitent des environnements d'exécution isolés et persistants pour explorer des dépôts de code, invoquer des outils externes et interagir avec des services métier. DSec répond à cette demande en offrant une plateforme de calcul élastique capable de gérer des pics de charge massifs, des exigences d'isolation hétérogènes et une conservation de l'état sur de longues sessions. La solution s'appuie sur un kit de développement unifié exposant plusieurs types de bac à sable, notamment des conteneurs, des microVM et des machines virtuelles complètes. DSec orchestre l'allocation et le cycle de vie de ces environnements au sein d'un cluster, tout en les composant à partir de couches logiciel versionnées indépendamment. Pour optimiser l'exécution à haute densité, la plateforme intègre le partage de mémoire, la libération dynamique des ressources inactives et une planification avancée du processeur. Elle utilise également le système de fichiers distribué 3FS pour charger les images à la demande, réduisant ainsi les latences réseau et les temps de configuration. Une caractéristique distingue DSec : il est conçu conjointement avec un cadre d'apprentissage par renforcement. Cette architecture découple l'exécution des rollouts persistants de l'entraînement sur GPU, permettant de préserver l'état des agents tout en récupérant les ressources de calcul non utilisées. Le système inclut par ailleurs des garde-fous pour limiter les dérives comportementales des agents, telles que les stratégies de triche visant à maximiser artificiellement les récompenses. Dans un déploiement industriel, une unité DSec s'étend sur environ 160 nœuds et traite trois millions de bac à sable quotidiennement. La plateforme supporte plus de 380 000 instances simultanées et génère plus de 5 000 créations par seconde. Les retours techniques confirment que ces mécanismes réduisent significativement les temps de distribution d'images, optimisent l'utilisation de la mémoire et maintiennent des performances stables même lors de fortes sollicitations. Cette infrastructure constitue une avancée majeure pour le déploiement industriel et fiable des systèmes d'intelligence artificielle autonomes.