Essential - User contributions [en]

Main Page

2026-10-12T03:49:09Z

Tcepo: ajout trending 2026-10-12 (goose, sglang, openobserve)

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA choisies :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2-5.infocepo.com api-llm-privacy-proxy-gliner2-5]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 12/10/2026 ==
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-11) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-10-11) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/hermes-migrate '''hermes-migrate'''] (2026-10-08) : hermes-migrate
* [https://github.com/ynotopec/audio2audio-translate-next '''audio2audio-translate-next'''] (2026-10-08) : audio2audio-translate-next
* [https://github.com/ynotopec/asr-streaming '''asr-streaming'''] (2026-10-08) : asr-streaming
* [https://github.com/ynotopec/hermes-agent-web-extract-trafilatura '''hermes-agent-web-extract-trafilatura'''] (2026-10-07) : hermes-agent-web-extract-trafilatura
* [https://github.com/ynotopec/open-terminal '''open-terminal'''] (2026-10-05) : open-terminal
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-10-05) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-10-12) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to pr... (187k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-10-12) : 🙌 OpenHands: AI-Driven Development (90k⭐)
* [https://github.com/aaif-goose/goose '''goose'''] (2026-10-12) : an open source, extensible AI agent that goes beyond code suggestions - install, execute, edit, a... (55k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-11T23:29:41Z

Tcepo: Mise à jour wiki repos ynotopec - tri chronologique inverse

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA choisies :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2-5.infocepo.com api-llm-privacy-proxy-gliner2-5]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 12/10/2026 ==
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-11) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-10-11) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/hermes-migrate '''hermes-migrate'''] (2026-10-08) : hermes-migrate
* [https://github.com/ynotopec/audio2audio-translate-next '''audio2audio-translate-next'''] (2026-10-08) : audio2audio-translate-next
* [https://github.com/ynotopec/asr-streaming '''asr-streaming'''] (2026-10-08) : asr-streaming
* [https://github.com/ynotopec/hermes-agent-web-extract-trafilatura '''hermes-agent-web-extract-trafilatura'''] (2026-10-07) : hermes-agent-web-extract-trafilatura
* [https://github.com/ynotopec/open-terminal '''open-terminal'''] (2026-10-05) : open-terminal
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-10-05) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-10T03:19:11Z

Tcepo: Nettoyage wiki 2026-10-10 (smart dedup)

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA choisies :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2-5.infocepo.com api-llm-privacy-proxy-gliner2-5]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 05/10/2026 ==
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-01) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-07T07:24:38Z

Tcepo: /* Sélection AI & architecture par couche */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA choisies :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2-5.infocepo.com api-llm-privacy-proxy-gliner2-5]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 05/10/2026 ==
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-01) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-07T07:19:05Z

Tcepo: /* Sélection AI & architecture par couche */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA choisies :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 05/10/2026 ==
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-01) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-05T20:47:21Z

Tcepo: Remove dashboard and minio (unavailable) - 2026-10-05

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 05/10/2026 ==
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-01) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-05T03:47:53Z

Tcepo: ajout trending 2026-10-05 - Front-End-Checklist, openclaw, promptfoo

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 05/10/2026 ==
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-01) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/thedaviddias/Front-End-Checklist '''Front-End-Checklist'''] (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-04T23:30:07Z

Tcepo: Mise a jour wiki repos ynotopec - tri chronologique inverse - 2026-10-05

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés 05/10/2026 ==
* [https://github.com/ynotopec/infocepo-cleanup '''infocepo-cleanup'''] (2026-10-03) : Nettoyage reproductible du wiki Main_Page InfoCEPO (dedup par slug GitHub)
* [https://github.com/ynotopec/docker-build '''docker-build'''] (2026-10-01) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/gouv-fr-skills '''gouv-fr-skills'''] (2026-10-01) : gouv-fr-skills
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-29) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality

=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:53:01Z

Tcepo: /* Modèles ouverts & endpoints internes */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''FLUX.2-klein''' – generate and edit image
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:48:09Z

Tcepo: /* Modèles ouverts & endpoints internes */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-10-03''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt-next''' || '''nemotron-3.5-asr-streaming-0.6b''' – streaming transcription vocale multilingual
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:43:46Z

Tcepo: /* Veille automatisée */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:41:08Z

Tcepo:

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-llm-custom.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-llm-custom.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://ai-news-ru.ailab.infocepo.com '''AI News (RU)'''] : Veille IA traduite, pipeline automatisé
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-llm-custom.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-llm-custom.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-llm-custom.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-llm-custom.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-llm-custom.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-llm-custom.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:34:27Z

Tcepo: scission Top tasks: infra déployée + veille GitHub

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks — infrastructure déployée ===
''Généré depuis l'infra réelle (kubectl + endpoints LLM) le 2026-10-03. Ne pas éditer à la main — regénérer après déploiement.''

==== Endpoints LLM (vérifiés) ====
{| class="wikitable"
! Endpoint !! Modèle réel !! URL
|-
| '''ai-thinking''' || qwen3.6 (thinking) || <code>https://api-nothink.ailab.infocepo.com</code>
|-
| '''ai-default''' || qwen3.6 (défaut) || <code>https://api-nothink.ailab.infocepo.com</code>
|-
| '''ai-flash''' || qwen3.6 (fast) || <code>https://api-nothink.ailab.infocepo.com</code>
|-
| '''ai-vision''' || qwen3.6 (vision/OCR) || <code>https://api-nothink.ailab.infocepo.com</code>
|-
| '''ai-embedding''' || bge-m3 || <code>https://api-embedding.ailab.infocepo.com</code>
|}

==== Services & infrastructure IA ====
* [https://agents-saas.ailab.infocepo.com '''Agents SaaS'''] : Déploiement multi-tenant d'agents Hermes
* [https://bge-m3-article.ailab.infocepo.com '''bge-m3 Article'''] : Recherche sémantique sur articles (bge-m3)
* [https://dashboard.ailab.infocepo.com '''Dashboard'''] : Tableau de bord infra
* [https://infra2.ailab.infocepo.com '''Infra Dashboard v2'''] : Tableau de bord infrastructure
* [https://keycloak.demo1.ailab.infocepo.com '''Keycloak'''] : SSO / authentification centralisée
* [https://mcp-proxy.ailab.infocepo.com '''MCP Proxy'''] : Passerelle MCP
* [https://minio.demo1.ailab.infocepo.com '''MinIO'''] : Stockage objet S3
* [https://onyxia.demo1.ailab.infocepo.com '''Onyxia'''] : Data science platform (catalogue de services)
* [https://rag.ailab.infocepo.com '''RAG OpenWebUI'''] : RAG intégré à Open WebUI
* [https://registry.demo1.ailab.infocepo.com '''Registry'''] : Registre d'images Docker local
* [https://tika.demo1.ailab.infocepo.com '''Tika'''] : Extraction de texte (Apache Tika)

==== Benchmarks & évaluation ====
* [https://benchmark.demo1.ailab.infocepo.com '''Benchmark Endpoints'''] : Comparatif de performance d'endpoints LLM
* [https://eval.ailab.infocepo.com '''Eval Dashboard'''] : Évaluation de modèles LLM
* [https://qpr.infocepo.com '''OpenRouter Q/P'''] : Classement qualité/prix des modèles OpenRouter
* [https://oss-efficiency.ailab.infocepo.com '''OSS Efficiency'''] : Efficacité des modèles open-source
* [https://privacy.ailab.infocepo.com '''Privacy Benchmark'''] : Benchmark de fuites de secrets (proxy LLM)
* [https://rag-bench.demo1.ailab.infocepo.com '''RAG Bench'''] : Benchmark de pipelines RAG
* [https://rag-eval.demo1.ailab.infocepo.com '''RAG Eval'''] : Évaluation qualité RAG

==== Veille automatisée ====
* [https://ai-news-ru.ailab.infocepo.com '''AI News (RU)'''] : Veille IA traduite, pipeline automatisé
* [https://models.ailab.infocepo.com '''Model Tracker'''] : Suivi des modèles HuggingFace vs déploiements
* [https://news-aggregator.demo1.ailab.infocepo.com '''News Aggregator'''] : Agrégation de flux d'actualité IA

=== Veille GitHub (populaire) ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:28:24Z

Tcepo: Nettoyage wiki 2026-10-03 (smart dedup)

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===
* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T10:27:16Z

Tcepo: Nettoyage wiki 2026-10-03 (smart dedup)

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T09:19:39Z

Tcepo: Nettoyage wiki 2026-10-03

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-10-03T09:12:17Z

Tcepo: ajout trending 2026-10-03

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks ===
* [https://github.com/huggingface/transformers '''transformers'''] (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-30T12:21:02Z

Tcepo: /* Top tasks */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks ===
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-30T10:20:57Z

Tcepo: Nettoyage wiki 2026-09-30

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
=== Top tasks ===
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-30T10:20:25Z

Tcepo: Nettoyage wiki 2026-09-30

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine

=== Top tasks ===
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-30T08:53:18Z

Tcepo:

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine

=== Top tasks ===
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-30T03:52:40Z

Tcepo: ajout trending 2026-09-30

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine

* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

* [https://github.com/NVIDIA/TensorRT-LLM '''TensorRT-LLM'''] (2026-09-30) : TensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-... (14k stars)
* [https://github.com/lutzroeder/netron '''netron'''] (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
* [https://github.com/BasedHardware/omi '''omi'''] (2026-09-30) : AI that sees your screen, listens to your conversations and tells you what to do (13k stars)
----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-30T03:51:57Z

Tcepo: ajout trending 2026-09-30

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI

Main Page

2026-09-29T03:58:57Z

Tcepo: ajout trending 2026-09-29

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine

* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
* [https://github.com/OpenHands/OpenHands '''OpenHands'''] (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
* [https://github.com/LibreChat-AI/LibreChat '''LibreChat'''] (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-29T03:56:49Z

Tcepo: ajout trending 2026-09-29

@/tmp/wiki_new_content.txt

Main Page

2026-09-27T23:31:39Z

Tcepo: Mise à jour wiki repos ynotopec - tri chronologique inverse - 41148 chars

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-09-25) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-09-24) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine

=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-27T04:28:07Z

Tcepo: ajout trending 2026-09-27: n8n, qwen-code, ai

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
=== Top tasks ===
* [https://github.com/n8n-io/n8n '''n8n'''] (2026-09-27) : Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or use cloud. (206k⭐)
* [https://github.com/QwenLM/qwen-code '''qwen-code'''] (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
* [https://github.com/vercel/ai '''ai'''] (2026-09-27) : The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered chatbots, assistants and more. (26k⭐)
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)
* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.
* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)
* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)
* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-26T03:29:19Z

Tcepo: Nettoyage week-end 2026-09-26: réduction backlog, suppression dupliques et items non pertinents

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
=== Top tasks ===
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)

* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)

* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).

=== Audio & TTS ===
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-24T03:50:53Z

Tcepo: ajout trending 2026-09-24: n8n, dify, lobehub

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
=== Top tasks ===
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)

* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)

* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
* [https://github.com/n8n '''n8n'''] (2026-09-24) : Fair-code workflow automation platform with native AI capabilities (206k⭐)
* [https://github.com/dify '''dify'''] (2026-09-24) : Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace (157k⭐)
* [https://github.com/lobehub '''lobehub'''] (2026-09-24) : LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team (83k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-23T03:47:35Z

Tcepo: ajout trending 2026-09-23

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
=== Top tasks ===
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)

* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)

* [https://github.com/vllm-project/vllm '''vllm'''] (2026-09-23) : High-throughput LLM inference engine — 92.5k⭐
* [https://github.com/promptfoo/promptfoo '''promptfoo'''] (2026-09-23) : AI testing, red teaming & pentesting for prompts, agents, and RAGs — 25.4k⭐
* [https://github.com/elizaOS/eliza '''eliza'''] (2026-09-23) : Open source agentic operating system — 19.4k⭐
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-21T03:48:40Z

Tcepo: ajout trending 2026-09-21: AutoGPT, FastGPT, WeKnora

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
=== Top tasks ===
* [https://github.com/Significant-Gravitas/AutoGPT '''AutoGPT'''] (2026-09-21) : AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters. (187k⭐)
* [https://github.com/labring/FastGPT '''FastGPT'''] (2026-09-21) : FastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities ... (29k⭐)
* [https://github.com/Tencent/WeKnora '''WeKnora'''] (2026-09-21) : Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and sel... (28k⭐)

* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-20T23:35:13Z

Tcepo: Mise à jour wiki repos ynotopec - tri chronologique inverse

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-20) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-09-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-19) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-20T03:51:43Z

Tcepo: ajout trending 2026-09-20: deer-flow, DeepSeek-Reasonix, zeroclaw

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-18) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-03-08) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2025-11-24) : A Langchain app that allows you to chat with multiple PDFs

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)
* [https://github.com/bytedance/deer-flow '''deer-flow'''] (2026-09-20) : An open-source long-horizon SuperAgent harness that researches, codes, and creat (82.7k⭐)
* [https://github.com/esengine/DeepSeek-Reasonix '''DeepSeek-Reasonix'''] (2026-09-20) : DeepSeek-native AI coding agent for your terminal. Engineered around prefix-cach (35.6k⭐)
* [https://github.com/zeroclaw-labs/zeroclaw '''zeroclaw'''] (2026-09-20) : Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, (32.8k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-19T10:20:05Z

Tcepo: Mise à jour wiki repos ynotopec - tri chronologique inverse

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/gouv-fr-code-package-mi '''gouv-fr-code-package-mi'''] (2026-09-18) : gouv-fr-code-package-mi
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-03-08) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2025-11-24) : A Langchain app that allows you to chat with multiple PDFs

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-19T10:16:28Z

Tcepo: Mise à jour wiki repos ynotopec - tri chronologique inverse

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-09-17) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-16) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-09-15) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-03) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-03-08) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2025-11-24) : A Langchain app that allows you to chat with multiple PDFs

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-19T03:28:03Z

Tcepo:

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-19T03:27:23Z

Tcepo:

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-18T03:52:04Z

Tcepo: ajout trending 2026-09-18

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/NousResearch/hermes-agent '''Hermes Agent'''] (2026-09-12) : L'agent qui évolue avec vous. Orchestration multi-tâches. (244k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] : UI locale pour LLMs et diffusion models. GGUF, MLX, Qwen3.8. (75k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.
* [https://github.com/alibaba/open-code-review '''open-code-review'''] - Outil de review de code open-source teste a l echelle Alibaba : pipeline deterministe + agent LLM, precise par ligne.. (16590 stars)

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-18T03:49:52Z

Tcepo: test debug

test edit to verify

Main Page

2026-09-18T03:49:23Z

Tcepo: ajout trending 2026-09-18

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/NousResearch/hermes-agent '''Hermes Agent'''] (2026-09-12) : L'agent qui évolue avec vous. Orchestration multi-tâches. (244k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
* [https://github.com/danny-avila/LibreChat '''LibreChat'''] (2026-09-18) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching, message search, Code Interpreter, langchain, DALL-E-3, OpenAPI Actions, Functions, Secure Multi-User Auth, Presets, open-source for self-hosting. Active (44k⭐)
* [https://github.com/jumpserver/jumpserver '''jumpserver'''] (2026-09-18) : JumpServer is an Open-source Privileged Access Management (PAM) platform with AI-powered capabilities, providing DevOps and IT teams a unified workspace to securely access SSH, RDP, Kubernetes, databases, websites, RemoteApp, VirtualApp, and more. (32k⭐)
* [https://github.com/mastra-ai/mastra '''mastra'''] (2026-09-18) : Mastra is the modern TypeScript framework for AI-powered applications and agents. (28k⭐)

=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] : UI locale pour LLMs et diffusion models. GGUF, MLX, Qwen3.8. (75k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.
* [https://github.com/alibaba/open-code-review '''open-code-review'''] - Outil de review de code open-source teste a l echelle Alibaba : pipeline deterministe + agent LLM, precise par ligne.. (16590 stars)

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-17T09:45:39Z

Tcepo: /* Dépôt GitHub */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/NousResearch/hermes-agent '''Hermes Agent'''] (2026-09-12) : L'agent qui évolue avec vous. Orchestration multi-tâches. (244k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] : UI locale pour LLMs et diffusion models. GGUF, MLX, Qwen3.8. (75k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai '''ynotopec/api-realtime-ai''']

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.
* [https://github.com/alibaba/open-code-review '''open-code-review'''] - Outil de review de code open-source teste a l echelle Alibaba : pipeline deterministe + agent LLM, precise par ligne.. (16590 stars)

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-17T09:45:22Z

Tcepo: /* Matériel IA & GPU */

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/NousResearch/hermes-agent '''Hermes Agent'''] (2026-09-12) : L'agent qui évolue avec vous. Orchestration multi-tâches. (244k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] : UI locale pour LLMs et diffusion models. GGUF, MLX, Qwen3.8. (75k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D '''GROQ LLM accelerator''']

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai ynotopec/api-realtime-ai]

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.
* [https://github.com/alibaba/open-code-review '''open-code-review'''] - Outil de review de code open-source teste a l echelle Alibaba : pipeline deterministe + agent LLM, precise par ligne.. (16590 stars)

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-17T03:49:17Z

Tcepo: ajout trending 2026-09-17

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/NousResearch/hermes-agent '''Hermes Agent'''] (2026-09-12) : L'agent qui évolue avec vous. Orchestration multi-tâches. (244k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
* [https://github.com/livekit/livekit '''livekit'''] (2026-09-17) : End-to-end realtime stack for connecting humans and AI (21.0k⭐)
* [https://github.com/infiniflow/ragflow '''ragflow'''] (2026-09-17) : RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent c... (90.8k⭐)
* [https://github.com/alibaba/open-code-review '''open-code-review'''] (2026-09-17) : Fast, efficient, battle-tested at Alibaba's scale. Hybrid architecture code review tool: deterministic pipelines + LL... (32.4k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] : UI locale pour LLMs et diffusion models. GGUF, MLX, Qwen3.8. (75k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D GROQ LLM accelerator]

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai ynotopec/api-realtime-ai]

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.
* [https://github.com/alibaba/open-code-review '''open-code-review'''] - Outil de review de code open-source teste a l echelle Alibaba : pipeline deterministe + agent LLM, precise par ligne.. (16590 stars)

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.

Main Page

2026-09-16T03:47:25Z

Tcepo: ajout trending 2026-09-16 (ClickHouse, OpenViking, anything-llm)

[[File:Infocepo-picture.png|thumb|right|Discover cloud and AI on infocepo.com]]

= infocepo.com – Cloud, AI & Labs =

Bienvenue sur le portail '''infocepo.com'''.

Ce wiki documente l’écosystème '''Cloud, IA, automatisation et lab''' d’Infocepo.
Il s’adresse aux :

* administrateurs systèmes,
* ingénieurs cloud,
* développeurs,
* étudiants,
* curieux qui veulent apprendre en pratiquant.

L’objectif est simple : transformer la théorie en '''scripts réutilisables, schémas, architectures, APIs et laboratoires concrets'''.

__TOC__

----

= Accès rapide =

== Portail principal ==
* [https://infocepo.com infocepo.com]

== Assistant IA ==
* [https://chat.infocepo.com Chat assistant]

== Liste des pages du wiki ==
* [[Special:AllPages|Toutes les pages]]

== Vue d’ensemble ==
[[File:Ailab-architecture.png|thumb|'''Infra architecture overview''']]

= Démarrer rapidement =

== Parcours recommandés ==

; 1. Construire un assistant IA privé
* Déployer une stack type '''Hermes WebUI + Ollama + GPU'''
* Ajouter un modèle de chat et un modèle de résumé
* Brancher des données internes via '''RAG + embeddings'''

; 2. Lancer un lab cloud
* Créer un petit cluster Kubernetes, OpenStack ou bare-metal
* Mettre en place un pipeline de déploiement (Helm, Ansible, Terraform…)
* Ajouter un service IA : transcription, résumé, chatbot, OCR…

; 3. Préparer un audit ou une migration
* Inventorier les serveurs avec '''ServerDiff.sh'''
* Concevoir l’architecture cible
* Automatiser la migration avec des scripts reproductibles

== Vue d’ensemble du contenu ==
* '''Guides IA & outils''' : assistants, modèles, évaluation, GPU, RAG
* '''Cloud & infrastructure''' : Kubernetes, OpenStack, HA, HPC, DevSecOps
* '''Labs & scripts''' : audit, migration, automatisation
* '''Comparatifs''' : Kubernetes vs OpenStack vs AWS vs bare-metal, etc.

----

= Vision =

[[File:Automation-full-vs-humans.png|thumb|right|The world after automation]]

Le but à long terme est de construire un environnement où :

* les assistants IA privés accélèrent la production,
* les tâches répétitives sont automatisées,
* les déploiements sont industrialisés,
* l’infrastructure reste '''compréhensible, portable et réutilisable'''.

Chaque sortie IA est mesurée en temps réel, les modèles faibles sont remplacés automatiquement, et les tâches sans valeur sont coupées. L'autonomie vient de mécanismes techniques qui fonctionnent quand personne ne regarde — pas de règles écrites dans un doc.

[[File:SUMMARY-DIAGRAM-7311e6b1-aede-4989-ade2-a42d1a6e0ff2.png|thumb|right|Main page summary]]

----

= Catalogue rapide des services =

{| class="wikitable"
|+ Services principaux
! Catégorie !! Service !! Rôle
|-
| API || [https://api-nothink.ailab.infocepo.com/docs LLM] || Modèles de chat, code, RAG, OCR
|-
| API || [https://api-audio2txt.ailab.infocepo.com/docs STT] || Transcription audio
|-
| API || [https://api-tts-omnivoice.ailab.infocepo.com/docs TTS] || Synthèse vocale
|-
| API || [https://github.com/ynotopec/api-realtime-ai realtime-ai] || Temps réel WebSocket / WebRTC
|-
| API || [https://api-nothink.ailab.infocepo.com/docs IMAGE2TXT] || OCR / VLM via endpoint dédié
|-
| API || [https://api-summary.ailab.infocepo.com:wait-2026-12/docs summary] || Résumé de textes longs
|-
| API || [https://api-embedding.ailab.infocepo.com/docs EMBEDDINGS] || Embeddings pour RAG
|-
| API || [https://chromadb.ailab.infocepo.com:wait-2026-12 ChromaDB] || Base vecteur
|-
| API || [https://api-txt2image.ailab.infocepo.com/docs TXT2IMAGE] || Génération d’images
|-
| API || [https://api-diarization.ailab.infocepo.com/docs diarization] || Segmentation locuteurs
|-
| Observabilité || [https://grafana.ailab.infocepo.com:wait-2026-12 monitoring] || Dashboards techniques
|-
| Observabilité || [https://uptime-kuma.ailab.infocepo.com:wait-2026-12/status/ai status] || Disponibilité des services
|-
| Observabilité || [https://web-stat.c1.ailab.infocepo.com:wait-2026-12 web-stat] || Statistiques web
|-
| Observabilité || [https://api.ailab.infocepo.com:wait-2026-09/ui LLM-stat] || Vue API / usage
|-
| Outils || [https://datalab.ailab.infocepo.com:wait-2026-12 dataLab] || Environnement de travail hors-production
|-
| Outils || [https://translate-rt.ailab.infocepo.com realtime translation] || Traduction
|-
| Outils || [https://demos.ailab.infocepo.com Demos] || Démonstrateurs
|}

----

= Sélection AI & architecture par couche =

Le tableau de bord [https://ai.arch.infocepo.com '''Sélection AI'''] présente l'architecture par couche des modèles IA déployés :

{| class="wikitable"
! Couche !! Modèle !! Alias(s) !! Taille
|-
| rowspan="7" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''HYBRID-CLOUD'''
| '''Qwen3.6-35B''' || flash, default, thinking, vision || Option 1, 35B MoE / 3B actif
|-
| '''Qwen3.8-Flash-Next''' || flash, default, thinking, vision, max || Option 2, 125B MoE, 51B n-grames internes, 6B actif, 1M contexte
|-
| '''MiniMax-H3''' || video || 33B dense
|-
| '''BGE-M3''' || embedding || 568M
|-
| '''BGE-reranker-v2-m3''' || reranker || 568M
|-
| '''FLUX.2-klein-4B''' || image || 4B
|-
| '''GLiNER2.5-Multi-V1''' || privacy || 287M, mDeBERTa-v3-base — privacy filter: [https://api-llm-privacy-proxy-gliner2.infocepo.com api-llm-privacy-proxy-gliner2]
|-
| '''Public-Cloud''' || '''GLM-5.3-Flash''' || max || 320B MoE / 18B actif — 1M contexte, multimodal
|-
| rowspan="2" style="text-align:center; vertical-align:middle; background:#f0f0f0;"| '''LOCAL'''
| '''Qwen3.5-9B''' || flash, default, thinking, vision || Option 1, 9B dense
|-
| '''Qwen3.8-27B''' || flash, default, thinking, vision, max || Option 2, 27B dense
|}

== Frameworks ==

{| class="wikitable"
! Outil !! Usage
|-
| '''Hermes''' || Usage général, raisonnement
|-
| '''OpenCode''' || DevSecOps
|-
| '''Kilo Code''' || Développement pur
|}

== Mémoire ==

Pour la couche d'embedding vectoriel (RAG, mémoire sémantique) :

* '''BGE-M3''' — 568M paramètres, architecture XLM-RoBERTa. Multi-fonction (dense + sparse + multi-vector), 100+ langues, licence MIT. Idéal comme moteur de mémoire à échelle.

= Nouveautés =

== Nouveautés implémentés ==

* [https://github.com/ynotopec/omnivoice-tts '''omnivoice-tts'''] (2026-09-13) : omnivoice-tts
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2-5 '''api-llm-privacy-proxy-gliner2-5'''] (2026-09-11) : api-llm-privacy-proxy-gliner2-5
* [https://github.com/ynotopec/api-llm-privacy-proxy-gliner2 '''api-llm-privacy-proxy-gliner2'''] (2026-09-10) : GLiNER2-powered LLM privacy proxy for named entity detection and filtering
* [https://github.com/ynotopec/tricoteuses-k8s '''tricoteuses-k8s'''] (2026-09-08) : Kubernetes deployment for tricoteuses-juridique
* [https://github.com/ynotopec/dashboard-superset-mcp '''dashboard-superset-mcp'''] (2026-09-07) : Automate Apache Superset dashboard creation via MCP server 6.1.0+
* [https://github.com/ynotopec/api-txt2image '''api-txt2image'''] (2026-09-02) : Text-to-image generation API for AI-powered image creation
* [https://github.com/ynotopec/superset-k8s '''superset-k8s'''] (2026-09-01) : superset-k8s
* [https://github.com/ynotopec/dind-build '''dind-build'''] (2026-08-31) : Docker-in-Docker build factory on Kubernetes — build, push, pull via K8s DinD pod
* [https://github.com/ynotopec/quality-gate '''quality-gate'''] (2026-08-28) : quality-gate
* [https://github.com/ynotopec/agent-saas '''agent-saas'''] (2026-08-27) : SaaS AI agent platform — deploy autonomous AI agents as a service
* [https://github.com/ynotopec/api-convert2md '''api-convert2md'''] (2026-08-26) : Document-to-Markdown conversion API — clean markdown from various formats
* [https://github.com/ynotopec/qwen36-sglang '''qwen36-sglang'''] (2026-08-24) : Qwen 3.6 deployment with SGLang for high-performance inference
* [https://github.com/ynotopec/trafilatura-local '''trafilatura-local'''] (2026-08-23) : trafilatura-local
* [https://github.com/ynotopec/api-rag '''api-rag'''] (2026-08-19) : RAG API — semantic search over knowledge bases with retrieval-augmented generation
* [https://github.com/ynotopec/models-todo '''models-todo'''] (2026-08-19) : models-todo
* [https://github.com/ynotopec/minimax-music3 '''minimax-music3'''] (2026-08-18) : minimax-music3
* [https://github.com/ynotopec/hermes-img-gen-infocepo '''hermes-img-gen-infocepo'''] (2026-08-15) : hermes-img-gen-infocepo
* [https://github.com/ynotopec/ask-multiple-pdfs '''ask-multiple-pdfs'''] (2026-08-14) : A Langchain app that allows you to chat with multiple PDFs
* [https://github.com/ynotopec/openclaw-install '''openclaw-install'''] (2026-08-14) : OpenClaw installer — setup script for OpenClaw AI assistant deployment
* [https://github.com/ynotopec/api-llm-custom '''api-llm-custom'''] (2026-08-13) : Custom LLM proxy API — route requests to any language model backend
* [https://github.com/ynotopec/infocepo-infra-mcp '''infocepo-infra-mcp'''] (2026-08-12) : infocepo-infra-mcp
* [https://github.com/ynotopec/api-mcp-openai '''api-mcp-openai'''] (2026-08-11) : AI MCP OpenAI Integration
* [https://github.com/ynotopec/api-embedding '''api-embedding'''] (2026-08-07) : Text embedding API — convert text to vector embeddings for semantic search
* [https://github.com/ynotopec/api-reranker '''api-reranker'''] (2026-08-06) : Cross-encoder reranking API for improving search retrieval quality
* [https://github.com/ynotopec/nemotron-embed '''nemotron-embed'''] (2026-07-31) : nemotron-embed
* [https://github.com/ynotopec/coder-brain '''coder-brain'''] (2026-07-28) : AI-powered code analysis and generation engine
* [https://github.com/ynotopec/translate-rt '''translate-rt'''] (2026-07-28) : Real-time translation API — multilingual translation with low latency
* [https://github.com/ynotopec/qwen3.5-fp8-vllm '''qwen3.5-fp8-vllm'''] (2026-07-27) : Qwen 3.5 FP8 vLLM model deployment
* [https://github.com/ynotopec/ai-assistant '''ai-assistant'''] (2026-07-17) : General-purpose AI assistant with task execution capabilities
* [https://github.com/ynotopec/ai-security '''ai-security'''] (2026-07-17) : AI security tools — audit and harden LLM deployments against common attacks
* [https://github.com/ynotopec/api-audio2txt '''api-audio2txt'''] (2026-07-17) : Fast audio-to-text transcription API with real-time Whisper model support
* [https://github.com/ynotopec/api-audio2txt-gemma4 '''api-audio2txt-gemma4'''] (2026-07-17) : Gemma 4-powered audio transcription API for speech-to-text conversion
* [https://github.com/ynotopec/api-audio2txt-qwen3 '''api-audio2txt-qwen3'''] (2026-07-17) : Qwen 3-based audio transcription API leveraging advanced language model capabilities
* [https://github.com/ynotopec/api-diarization '''api-diarization'''] (2026-07-17) : Speaker diarization API — identifies and separates multiple speakers in audio streams
* [https://github.com/ynotopec/api-image '''api-image'''] (2026-07-17) : Image processing API — resize, convert, analyze, and transform images
* [https://github.com/ynotopec/api-lightrag '''api-lightrag'''] (2026-07-17) : Lightweight RAG (Retrieval-Augmented Generation) API for document-based Q&A
* [https://github.com/ynotopec/api-llm-privacy-proxy '''api-llm-privacy-proxy'''] (2026-07-17) : LLM privacy proxy — filter secrets and sensitive data from API calls
* [https://github.com/ynotopec/api-llm-privacy-proxy-openmed '''api-llm-privacy-proxy-openmed'''] (2026-07-17) : OpenMED-powered LLM privacy proxy for medical text privacy filtering
* [https://github.com/ynotopec/api-ocr '''api-ocr'''] (2026-07-17) : Document OCR API — extract text, tables, and structure from scanned documents
* [https://github.com/ynotopec/api-realtime-ai '''api-realtime-ai'''] (2026-07-17) : Real-time AI inference API with low-latency streaming responses
* [https://github.com/ynotopec/api-tts-omnivoice '''api-tts-omnivoice'''] (2026-07-17) : Text-to-speech API powered by OmniVoice for natural voice synthesis
* [https://github.com/ynotopec/api-txt2audio '''api-txt2audio'''] (2026-07-17) : Text-to-audio generation API for converting text content to audio output
* [https://github.com/ynotopec/artificial-human '''artificial-human'''] (2026-07-17) : Artificial human simulation — explore the boundary between human and AI behavior
* [https://github.com/ynotopec/audio2txt '''audio2txt'''] (2026-07-17) : audio2txt
* [https://github.com/ynotopec/common-good-accelerator '''common-good-accelerator'''] (2026-07-17) : Platform for accelerating common good and social impact initiatives
* [https://github.com/ynotopec/dgx-memory-fix '''dgx-memory-fix'''] (2026-07-17) : NVIDIA DGX memory management — diagnose and fix memory leaks on GPU systems
* [https://github.com/ynotopec/diff-multi '''diff-multi'''] (2026-07-17) : Multi-format diff tool — compare files, directories, and structured data
* [https://github.com/ynotopec/docker2rootless '''docker2rootless'''] (2026-07-17) : docker2rootless
* [https://github.com/ynotopec/evaluate-my-code '''evaluate-my-code'''] (2026-07-17) : Code evaluation and quality assessment tool — automated peer review
* [https://github.com/ynotopec/github-k8s-example '''github-k8s-example'''] (2026-07-17) : Kubernetes deployment example for GitHub Actions CI/CD pipelines
* [https://github.com/ynotopec/gpu-cluster '''gpu-cluster'''] (2026-07-17) : GPU cluster management — k8s-based AI compute cluster with NVIDIA GPUs
* [https://github.com/ynotopec/image-editor '''image-editor'''] (2026-07-17) : AI image editor — modify, enhance, and generate images with AI
* [https://github.com/ynotopec/k8s-domain-migrate '''k8s-domain-migrate'''] (2026-07-17) : Kubernetes domain migration tool — move services between clusters
* [https://github.com/ynotopec/k8s-internet-infrastructure '''k8s-internet-infrastructure'''] (2026-07-17) : Internet infrastructure on Kubernetes — DNS, networking, and routing
* [https://github.com/ynotopec/langextract-demo '''langextract-demo'''] (2026-07-17) : Demo application showcasing langextract for LLM output extraction
* [https://github.com/ynotopec/langfuse-k8s '''langfuse-k8s'''] (2026-07-17) : Langfuse observability deployment on Kubernetes for LLM tracing and monitoring
* [https://github.com/ynotopec/legal-agent '''legal-agent'''] (2026-07-17) : Legal AI agent — assist with legal document analysis and research
* [https://github.com/ynotopec/litellm-proxy '''litellm-proxy'''] (2026-07-17) : LiteLLM proxy — unified API interface for multiple LLM providers
* [https://github.com/ynotopec/llmbench '''llmbench'''] (2026-07-17) : LLM benchmarking suite — measure and compare language model performance
* [https://github.com/ynotopec/mail-search '''mail-search'''] (2026-07-17) : Email search tool — query and analyze inbox contents
* [https://github.com/ynotopec/mediawiki-migrate '''mediawiki-migrate'''] (2026-07-17) : MediaWiki migration tool — migrate and sync wiki content between platforms
* [https://github.com/ynotopec/opencode-demo '''opencode-demo'''] (2026-07-17) : OpenCode CLI demo — open-source alternative for AI-assisted coding
* [https://github.com/ynotopec/opencode-glm-example '''opencode-glm-example'''] (2026-07-17) : OpenCode example with GLM model integration
* [https://github.com/ynotopec/pageindex-mvp '''pageindex-mvp'''] (2026-07-17) : PageIndex MVP — semantic document search and indexing platform
* [https://github.com/ynotopec/python2helm '''python2helm'''] (2026-07-17) : Convert Python projects to Helm charts for Kubernetes deployment
* [https://github.com/ynotopec/realtime-transcription '''realtime-transcription'''] (2026-07-17) : Real-time audio transcription service — live speech-to-text
* [https://github.com/ynotopec/sh '''sh'''] (2026-07-17) : sh
* [https://github.com/ynotopec/vpn-network '''vpn-network'''] (2026-07-17) : VPN network configuration — secure remote access and networking

----

= Priorités =

=== Top tasks ===
* [https://github.com/NousResearch/hermes-agent '''hermes-agent'''] (2026-09-15) : The agent that grows with you (245k⭐)
* [https://github.com/ggml-org/llama.cpp '''llama.cpp'''] (2026-09-15) : LLM inference in C/C++ (128k⭐)
* [https://github.com/supabase/supabase '''supabase'''] (2026-09-15) : The Postgres development platform. Supabase gives you a dedicated Postgres database to build your... (109k⭐)
* [https://github.com/BerriAI/litellm '''litellm'''] (2026-09-13) : Passerelle AI qui appelle 100+ APIs LLM. Rust core avec SDK Python. (58k⭐)
* [https://github.com/CherryHQ/cherry-studio '''cherry-studio'''] (2026-09-13) : Studio de productivité IA avec chat intelligent, agents autonomes et 300+ assistants. (51k⭐)
* [https://github.com/ruvnet/ruflo '''ruflo'''] (2026-09-13) : Harnais d'agents intelligent multi-joueurs. Déployer des essaims coordonnés avec mémoire locale. (72k⭐)

* [https://github.com/openclaw/openclaw '''openclaw'''] (2026-09-12) : Plateforme IA autonome multi-plateforme. Tout système d'exploitation. (389k⭐)
* [https://github.com/affaan-m/ECC '''ECC'''] (2026-09-12) : Optimisation performance agents IA - compétences, mémoire, sécurité. (256k⭐)
* [https://github.com/NousResearch/hermes-agent '''Hermes Agent'''] (2026-09-12) : L'agent qui évolue avec vous. Orchestration multi-tâches. (244k⭐)
* [https://github.com/tt-a1i/archify '''archify'''] (2026-09-11) : Agent skill for architecture, workflow, data-flow, and lifecycle diagrams — self-contained HTML with motion and crisp export. (58k⭐, 12k/semaine)
* [https://github.com/mksglu/context-mode '''context-mode'''] (2026-09-11) : Context window optimization for AI coding agents. Sandboxes tool output, persists session memory, enforces routing via MCP. (22k⭐, 1.6k/semaine)
* [https://github.com/openai/plugins '''plugins'''] (2026-09-11) : OpenAI Plugins — plugin ecosystem for OpenAI models. (6k⭐, 1k/semaine)
* [https://github.com/microsoft/markitdown '''markitdown'''] (2026-09-11) : Conversion fichiers et documents bureautiques vers Markdown — pipeline de données pour pipelines IA. (182k⭐, 4.5k/semaine)
* [https://github.com/ayghri/i-have-adhd '''i-have-adhd'''] (2026-09-11) : Agent skill pour sortie ADHD-friendly — formatage clair et direct des réponses d'agents IA. (38k⭐, 10k/semaine)
* [https://github.com/cathrynlavery/diagram-design '''diagram-design'''] (2026-09-11) : 38 types de diagrammes éditoriaux pour agents de codage (Claude, Codex, Pi). HTML + SVG auto-contenu. (37k⭐, 7k/semaine)
* [https://github.com/anthropics/skills '''skills'''] (2026-09-11) : Repository public officiel des compétences d'agents Anthropic. (175k⭐, 2.2k/semaine)
* [https://github.com/microsoft/presidio '''Presidio'''] : anonymisation / masquage PII, socle RGPD obligatoire.
* [https://github.com/temporalio/temporal '''Temporal'''] : orchestration de workflows critiques et fiables.
* [https://github.com/diegosouzapw/OmniRoute '''OmniRoute'''] : passerelle IA unifiée, auto-fallback, compression de tokens.
* [https://github.com/NVIDIA-NeMo/Guardrails '''NeMo Guardrails'''] : garde-fous et politiques de sécurité IA.
* [https://github.com/langfuse/langfuse '''Langfuse'''] : observabilité, evals et metrics pour pipelines IA.
* [https://github.com/vllm-project/LMCache '''LMCache'''] : couche KV cache ultra-rapide, latence d'inférence réduite.
* [https://github.com/meshery/meshery '''Meshery'''] : gestion cloud native multi-cluster, observabilité.
* [https://github.com/VectifyAI/PageIndex '''PageIndex'''] : RAG vectorless à raisonnement, alternative aux embeddings.
* '''Coût unitaire par tâche''' : chaque API doit exposer son prix/ml/token en temps réel — pas une facture mensuelle.
* '''Qualité auto''' : précision/hallucination rate branchés sur les sorties IA, avec rollback automatique si qualité < seuil.

* [https://github.com/unslothai/unsloth '''unsloth'''] (2026-09-14) : Interface locale pour exécuter et entraîner des LLMs et modèles de diffusion. Optimisation d'inférence. (76k⭐)
* [https://github.com/Douf00/RAGFlow '''ragflow'''] (2026-09-14) : Système RAG open-source avancé pour la génération augmentée par la récupération. (90k⭐)
* [https://github.com/All-Hands-AI/OpenHands '''OpenHands'''] (2026-09-14) : Développement piloté par IA — agent autonome qui code, debug et itère. (87k⭐)

* [https://github.com/ClickHouse/ClickHouse '''ClickHouse'''] (2026-09-16) : Base de données analytique temps réel. (49k⭐)
* [https://github.com/volcengine/OpenViking '''OpenViking'''] (2026-09-16) : Base de contexte auto-évolutive pour agents IA. Mémoire, RAG et compétences unifiés. (37k⭐)
* [https://github.com/Mintplex-Labs/anything-llm '''anything-llm'''] (2026-09-16) : Plateforme LLM locale tout-en-un. Vector store, RAG, et assistants autonomes. (66k⭐)
=== Backlog / Veille Technologique ===

=== Agents IA & Orchestration ===

* [https://github.com/langchain-ai/langchain '''LangChain'''] : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
* [https://github.com/langgenius/dify '''Dify'''] : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
* [https://github.com/browser-use/browser-use '''browser-use'''] : Framework pour contrôler les navigateurs via des agents IA. (112k⭐).
* [https://github.com/vllm-project/vllm '''vllm'''] : Moteur d'inférence haute performance pour LLMs. (91k⭐).
* [https://github.com/open-webui/open-webui '''open-webui'''] : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
* [https://github.com/ollama/ollama '''ollama'''] : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
* [https://github.com/n8n-io/n8n '''n8n'''] : Fair-code workflow automation with native AI. 400+ intégrations. (203k⭐).
* [https://github.com/milvus-io/milvus '''milvus'''] : Base de données vectorielle haute performance. (46k⭐).
* [https://github.com/qdrant/qdrant '''qdrant'''] : Vector database haute performance. (34k⭐).
* [https://github.com/minimax-ai/Minimax-Text-01 '''Minimax-Text-01'''] : Modèle LLM open-source Minimax.

=== Audio & TTS ===
* [https://github.com/SYSTRAN/faster-whisper '''faster-whisper (mutualisé)'''] — Transcription speech-to-text optimisée.
* [https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct '''Qwen3-Omni-30B-A3B-Instruct'''] — Modèle multimodal Qwen (audio + texte + image).

=== Génération & Édition d'Images ===
* [https://github.com/Comfy-Org/ComfyUI '''ComfyUI''' ] : GUI et backend diffusion model le plus modulaire. (131k⭐)
* [https://github.com/unslothai/unsloth '''unsloth'''] : UI locale pour LLMs et diffusion models. GGUF, MLX, Qwen3.8. (75k⭐)

=== RAG & Traitement de Documents ===

* [https://github.com/firecrawl/firecrawl '''firecrawl'''] : API web contextuelle pour search, scrape et interaction. (178k⭐).
* [https://github.com/paperless-ngx/paperless-ngx '''paperless-ngx'''] : Document management : scan, index, archive. ML, OCR. (45k⭐).
* [https://github.com/graphify-labs/graphify '''graphify'''] : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
* [https://github.com/HKUDS/LightRAG '''LightRAG'''] : RAG simple et rapide. (39k⭐).
* [https://github.com/microsoft/graphrag '''graphrag'''] : RAG modulaire basé sur les graphes. (35k⭐).
* [https://github.com/infiniflow/ragflow '''ragflow'''] : RAG engine open-source avec capacités Agent. (90k⭐).
* [https://github.com/headroomlabs-ai/headroom '''headroom'''] : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
* [https://github.com/mem0ai/mem0 '''Mem0'''] : — Mémorie à long terme pour agents IA. (64k⭐).

=== APIs à Développer ===
* '''Classificateur IA''' — Classification de contenu.
* '''Résumé mutualisé''' — API de résumé de texte partagée.
* '''NER''' — Reconnaissance d'entités nommées.
* '''Compressor''' — Compression de contenu.

=== Infrastructure & Backend ===
* [https://github.com/vllm-project/semantic-router '''Semantic Router'''] — Routage sémantique de requêtes vLLM.

=== Outils Dev ===
* [https://github.com/Aider-AI/aider '''Aider'''] — Assistant de codage IA en ligne de commande.
* [https://github.com/continuedev/continue '''Continue'''] — Extension IDE IA (VS Code, JetBrains). (35k⭐)

----
= Assistants IA & outils cloud =

== Assistants IA ==

; '''Assistants IA auto-hébergés'''
* [https://github.com/nesquena/hermes-webui '''Hermes WebUI'''] + [https://ollama.com '''Ollama'''] + GPU
: Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

== Développement, modèles & veille ==

; '''Découverte de modèles'''
* [https://huggingface.co/models '''Models Trending''']

; '''Évaluation & benchmarks'''
* [https://arena.ai/leaderboard/code '''Agentic Evaluation''']

; '''Outils de développement & fine-tuning'''
* [https://github.com/trending?since=weekly '''Project Trending''']
* [https://grok.com '''News search''']

== Matériel IA & GPU ==
* NVIDIA GH200
* DGX Spark
* [https://www.mouser.fr/ProductDetail/BittWare/RS-GQ-GC1-0109?qs=ST9lo4GX8V2eGrFMeVQmFw%3D%3D GROQ LLM accelerator]

----

= API Realtime AI (DEV) =

'''Statut :''' environnement DEV, remplaçante prévue de l’API OpenAI pour les cas temps réel.

== Configuration ==
{| class="wikitable"
! Variable !! Valeur
|-
| OPENAI_API_BASE || <code>wss://api-realtime-ai.ailab.infocepo.com:wait-2026-12/v1</code>
|-
| OPENAI_API_KEY || <code>sk-XXXXX</code>
|}

== Dépôt GitHub ==
* [https://github.com/ynotopec/api-realtime-ai ynotopec/api-realtime-ai]

== Page de test ==
* <code>external-test/half-duplex.html</code> — annulation d’écho + mode half-duplex.

== Compatibilité ==
Remplacer l’URL OpenAI par <code>$OPENAI_API_BASE</code> pour tester compatibilité et performances.

----

= API LLM (OpenAI compatible) =

* URL de base : <code>https://api-nothink.ailab.infocepo.com/v1</code>
* Création du token : [https://llm-token.ailab.infocepo.com:wait-2026-12 OPENAI_API_KEY]
* Documentation : [https://api-nothink.ailab.infocepo.com/docs Documentation API]

== Liste des modèles ==
<pre>
curl -X GET \
'https://api-nothink.ailab.infocepo.com/v1/models' \
-H 'Authorization: Bearer sk-XXXXX' \
-H 'accept: application/json' \
| jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u
</pre>

== Modèles ouverts & endpoints internes ==

''Dernière mise à jour : 2026-06-30''

Les modèles ci-dessous correspondent à des '''endpoints logiques''' exposés derrière une passerelle.

{| class="wikitable"
! Endpoint !! Description / usage principal
|-
| '''ai-thinking''' || '''qwen3.6 fp8''' – thinking
|-
| '''ai-fast''' || '''qwen3.6 fp8''' en mode '''fast''' – vision/OCR/ai-default
|-
| '''ai-embedding''' || '''bge-m3''' – recherche sémantique
|-
| '''ai-stt''' || '''whisper3-turbo''' – transcription vocale multilingual
|-
| '''ai-tts''' || '''OmniVoice''' – TTS multilingual
|-
| '''ai-image''' || '''OpenDalle''' – image génération
|}

== Exemple bash ==
<pre>
export OPENAI_API_MODEL="ai-default"
export OPENAI_API_BASE="https://api-nothink.ailab.infocepo.com/v1"
export OPENAI_API_KEY="sk-XXXXX"

promptValue="Quel est ton nom ?"
jsonValue='{
"model": "'${OPENAI_API_MODEL}'",
"messages": [{"role": "user", "content": "'${promptValue}'"}],
"temperature": 0
}'

curl ${OPENAI_API_BASE}/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d "${jsonValue}" 2>/dev/null | jq '.choices[0].message.content'
</pre>

== Vue infra LLM ==
[[File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png|thumb|right]]

'''DEV (au choix)'''
* '''A.''' <code>LiteLLM → vLLM/SgLang</code> : tests perf / compatibilité
* '''B.''' <code>LiteLLM → Ollama</code> : simple, rapide à itérer
* '''C.''' <code>Ollama</code> direct : POC ultra-léger

'''DEV – modèle FR / résumé'''
* <code>LiteLLM → Ollama /v1</code>

'''PROD'''
* '''Standard :''' <code>LiteLLM → vLLM/SgLang</code>
* '''Pont DEV→PROD :''' <code>LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang</code>

'''Notes :'''
* '''LiteLLM''' = passerelle unique (clés, quotas, logs)
* '''vLLM/SgLang''' = performance / stabilité en charge
* '''Ollama''' = simplicité de prototypage

----

= API Image to Text =

* Utilise l’API LLM avec un endpoint adapté à l’OCR / VLM.
* Modèle recommandé : <code>ai-vision</code>

== Exemple bash ==
<pre>
OPENAI_API_KEY=sk-XXXXX

base64 -w0 "/path/to/image.png" > img.b64

jq -n --rawfile img img.b64 \
'{
model: "ai-vision",
messages: [
{
role: "user",
content: [
{ "type": "text", "text": "Décris cette image." },
{
"type": "image_url",
"image_url": { "url": ("data:image/png;base64," + ($img | rtrimstr("\n"))) }
}
]
}
]
}' > payload.json

curl https://api-nothink.ailab.infocepo.com/v1/chat/completions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
--data-binary @payload.json
</pre>

== Exemple Python ==
<pre>
import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-vision"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api-nothink.ailab.infocepo.com/v1/chat/completions"

with open(IMG_PATH, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode("utf-8")

payload = {
"model": MODEL,
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Décris cette image."},
{
"type": "image_url",
"image_url": {"url": f"data:image/png;base64,{img_b64}"}
}
]
}
]
}

headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}

response = requests.post(API_URL, headers=headers, data=json.dumps(payload))

if response.ok:
print(json.dumps(response.json(), indent=2, ensure_ascii=False))
else:
print(f"Erreur {response.status_code}: {response.text}")
</pre>

----

= API STT =

* URL : <code>https://api-audio2txt.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Modèle : <code>whisper-1</code>
* Documentation : [https://api-audio2txt.ailab.infocepo.com/docs API STT docs]

== Exemple Python ==
<pre>
import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions'
headers = {
'Authorization': f'Bearer {OPENAI_API_KEY}',
}
files = {
'file': ('file.opus', open('/path/to/file.opus', 'rb')),
'model': (None, 'whisper-1')
}

response = requests.post(url, headers=headers, files=files)
print(response.json())
</pre>

== Exemple curl ==
<pre>
[ ! -f /tmp/test.ogg ] && wget "https://upload.wikimedia.org/wikipedia/commons/1/17/Fables_de_La_Fontaine_Livre_1_01.ogg" -O /tmp/test.ogg

export OPENAI_API_KEY=sk-XXXXX

curl https://api-audio2txt.ailab.infocepo.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model="whisper-1" \
-F file="@/tmp/test.ogg"
</pre>

== Notes ==
* Plusieurs formats audio sont acceptés.
* Le flux final est normalisé en '''16 kHz mono'''.
* Pour une qualité optimale : privilégier '''OPUS 16 kHz mono'''.

== UI ==
* [https://translate-rt.ailab.infocepo.com translate-rt]

----

= API TTS =

* URL : <code>https://api-tts-omnivoice.ailab.infocepo.com/v1</code>
* Clé : <code>OPENAI_API_KEY=sk-XXXXX</code>
* Documentation : [https://api-tts-omnivoice.ailab.infocepo.com/docs API TTS docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=sk-XXXXX

curl https://api-tts-omnivoice.ailab.infocepo.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"input": "Bonjour, ceci est un test de synthèse vocale.",
"voice": "coral",
"instructions": "Speak in a cheerful and positive tone.",
"response_format": "opus"
}' | ffplay -i -
</pre>

----

= API Text to Image =

* URL : <code>https://api-txt2image.ailab.infocepo.com/v1</code>
* Clé API : <code>OPENAI_API_KEY=sk-...</code>
* Documentation : [https://api-txt2image.ailab.infocepo.com/docs API TXT2IMAGE docs]

== Exemple ==
<pre>
export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a photo of a happy corgi puppy sitting and facing forward, studio light, longshot",
"n": 1,
"size": "1024x1024"
}'
</pre>

----

= API Diarization =

* Documentation : [https://api-diarization.ailab.infocepo.com/docs API Diarization docs]

== Exemple ==
<pre>
wget "https://upload.wikimedia.org/wikipedia/commons/6/60/Mike_Peters_on_Politics_and_Emotion_%28Interview_1984%29.mp3" -O /tmp/test.mp3

curl -X POST "https://api-diarization.ailab.infocepo.com/upload-audio/" \
-H "Authorization: Bearer token1" \
-F "file=@/tmp/test.mp3"
</pre>

----

= API Summary =

* Documentation : [https://api-summary.ailab.infocepo.com:wait-2026-12/docs API Summary docs]

== Exemple ==
<pre>
text="The tower is 324 metres tall and is one of the most recognizable monuments in the world."

json_payload=$(jq -nc --arg text "$text" '{"text": $text}')

curl -X POST https://api-summary.ailab.infocepo.com:wait-2026-12/summary/ \
-H "Content-Type: application/json" \
-d "$json_payload"
</pre>

----

= API Text Embeddings =

* URL : <code>https://api-embedding.ailab.infocepo.com/v1</code>
* Documentation : [https://api-embedding.ailab.infocepo.com/docs Documentation]

== Exemple ==
<pre>
curl https://api-embedding.ailab.infocepo.com/v1/embeddings \
-X POST \
-d '{"model":"bge-m3","input":"What is Deep Learning?"}' \
-H 'Content-Type: application/json'
</pre>

----

= API DB Vectors (ChromaDB) =

== Production ==
* URL : <code>https://chromadb.ailab.infocepo.com:wait-2026-12</code>
* Token : <code>XXXXX</code>

== Lab ==
<pre>
export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX
</pre>

== Exemple curl ==
<pre>
curl -v "${CHROMA_HOST}"/api/v1/collections \
-H "Authorization: Bearer ${CHROMA_TOKEN}"
</pre>

== Exemple Python ==
<pre>
import chromadb
from chromadb.config import Settings

def chroma_http(host, port=80, token=None):
return chromadb.HttpClient(
host=host,
port=port,
ssl=host.startswith('https') or port == 443,
settings=(
Settings(
chroma_client_auth_provider='chromadb.auth.token.TokenAuthClientProvider',
chroma_client_auth_credentials=token,
) if token else Settings()
)
)

client = chroma_http(CHROMA_HOST, CHROMA_PORT, CHROMA_TOKEN)
collections = client.list_collections()
print(collections)
</pre>

== Déployer sa propre instance ==
<pre>
export nameSpace=your_namespace
domainRoot=ailab.infocepo.com

helm repo add chroma https://amikos-tech.github.io/chromadb-chart/
helm repo update

helm upgrade --install chromadb chroma/chromadb -n ${nameSpace} \
--set chromadb.apiVersion="0.4.24" \
--set ingress.enabled=true \
--set ingress.hosts[0].host="${nameSpace}-chromadb.${domainRoot}" \
--set ingress.hosts[0].paths[0].path=/ \
--set ingress.hosts[0].paths[0].pathType=ImplementationSpecific \
--set ingress.annotations."cert-manager\.io/cluster-issuer"=letsencrypt-prod \
--set ingress.tls[0].secretName=${nameSpace}-chromadb.${domainRoot}-tls \
--set ingress.tls[0].hosts[0]="${nameSpace}-chromadb.${domainRoot}"

kubectl -n ${nameSpace} patch ingress/chromadb --type=json \
-p '[{"op":"add","path":"/metadata/annotations/nginx.ingress.kubernetes.io~1proxy-body-size","value":"0"}]'
</pre>

== Récupérer le token ==
<pre>
kubectl --namespace ${nameSpace} get secret chromadb-auth \
-o jsonpath="{.data.token}" | base64 --decode && echo
</pre>

----

= Registry =

* URL : [https://registry.ailab.infocepo.com:wait-2026-09 registry.ailab.infocepo.com:wait-2026-09]
* Login : <code>user</code>
* Password : <code>XXXXX</code>

== Exemple ==
<pre>
curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog
</pre>

== Exemple K8S ==
<pre>
deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
--docker-server=registry.ailab.infocepo.com:wait-2026-09 \
--docker-username=user \
--docker-password=XXXXX \
--docker-email=contact@example.com

kubectl -n ${nameSpace} patch deployment ${deploymentName} \
-p '{"spec":{"template":{"spec":{"imagePullSecrets":[{"name":"pull-secret"}]}}}}'
</pre>

----

= Stockage objet externe (S3) =

* Endpoint : <code>https://s3.ailab.infocepo.com:wait-2026-09</code>
* Access key : <code>XXXX</code>
* Secret key : <code>XXXX</code>

Un bucket nommé <code>ORG</code> a été créé pour stocker des documents de démonstration.

----

= RAG optimisation =

* Embeddings : <code>BAAI/bge-m3</code>
* <code>chunk_size=1000</code>
* <code>chunk_overlap=100</code>
* LLM : <code>qwen3.6</code>
* Pour les PDF mixtes : '''PDF → image → OCR / VLM''' peut améliorer les résultats.

----

= Workflow =

Autoroute directe : code → CI/CD → deploy → monitoring. Pas de comité, pas de responsable désigné — chaque étape se déclenche automatiquement si la précédente passe. Si ça rate, alerte directe sans passer par un humain sauf décision explicite de fallback.

----

= Environnements =

== Hors production ==
* Utiliser [https://datalab.ailab.infocepo.com:wait-2026-12 datalab]
* Support : canal Mattermost Offre IA
* Le pseudo utilisateur doit respecter la convention interne
* Demander si besoin un accès Linux + Kubernetes

== Production (best-effort) ==
* Publier le code applicatif, les secrets (format SOPS), le Dockerfile et le code infra (Helm ou manifests K8S) sur Git
* Demander un namespace
* Lire la documentation de surveillance associée

== Limites de l’infrastructure ==
* Les charges GPU sont intentionnellement limitées en journée.
* Coût unitaire mesuré automatiquement (dashboards temps réel, pas Excel).

----

= Cloud Lab & projets d’audit =

[[File:Infocepo.drawio.png|400px|Cloud Lab reference diagram]]

Le '''Cloud Lab''' fournit des scénarios reproductibles : audit d’infrastructure, migration cloud, automatisation, haute disponibilité.

== Projet d’audit ==
; '''[[ServerDiff.sh]]'''
Script Bash d’audit permettant de :
* détecter les dérives de configuration,
* comparer plusieurs environnements,
* préparer un plan de migration ou de remédiation.
* [https://github.com/alibaba/open-code-review '''open-code-review'''] - Outil de review de code open-source teste a l echelle Alibaba : pipeline deterministe + agent LLM, precise par ligne.. (16590 stars)

== Exemple de migration cloud ==
[[File:Diagram-migration-ORACLE-KVM-v2.drawio.png|400px|Cloud migration diagram]]

{| class="wikitable"
! Tâche !! Description !! Durée (jours)
|-
| Audit infrastructure || 82 services, audit automatisé via '''ServerDiff.sh''' || 1.5
|-
| Diagramme d’architecture || Conception visuelle et documentation || 1.5
|-
| Contrôles de conformité || 2 clouds, 6 hyperviseurs, 6 To RAM || 1.5
|-
| Installation plateforme cloud || Déploiement des environnements cibles || 1.0
|-
| Vérification de stabilité || Premiers tests fonctionnels || 0.5
|-
| Étude d’automatisation || Identification des tâches répétitives || 1.5
|-
| Développement des templates || 6 templates, 8 environnements, 2 clouds / OS || 1.5
|-
| Diagramme de migration || Illustration du processus || 1.0
|-
| Écriture du code de migration || 138 lignes (voir '''MigrationApp.sh''') || 1.5
|-
| Stabilisation || Validation de la reproductibilité || 1.5
|-
| Benchmark cloud || Comparaison vs legacy || 1.5
|-
| Réglage des temps d’arrêt || Calcul du downtime || 0.5
|-
| Chargement VM || 82 VMs : OS, code, 2 IP par VM || 0.1
|-
! colspan=2 align="right"| '''Total''' !! 15 jours.homme
|}

=== Vérifications de stabilité (HA minimale) ===
{| class="wikitable"
! Action !! Résultat attendu
|-
| Extinction d’un nœud || Tous les services redémarrent automatiquement sur les autres nœuds
|-
| Extinction / redémarrage simultané de tous les nœuds || Les services repartent correctement après reboot
|}

'''Autonomie testée''' : vérifier que la migration fonctionne seule en tirant le repo et lançant le script, sans personne qui connaît le système de tête.

----

= Architecture web & bonnes pratiques =

[[File:WebModelDiagram.drawio.png|400px|Reference web architecture]]

Principes de conception :

* privilégier une infrastructure '''simple, modulaire et flexible''',
* rapprocher le contenu du client (GDNS ou équivalent),
* utiliser des load balancers réseau (LVS, IPVS),
* comparer les coûts et éviter le '''vendor lock-in''',
* pour TLS :
** '''HAProxy''' pour les frontends rapides,
** '''Envoy''' pour les cas avancés (mTLS, HTTP/2/3),
* pour le cache :
** '''Varnish''', '''Apache Traffic Server''',
* favoriser les stacks open-source,
* utiliser files, buffers, queues et quotas pour lisser les pics.

== Références ==
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia infrastructure]
* [https://github.com/systemdesign42/system-design System Design GitHub]

----

= Comparatif des grandes plateformes cloud =

{| class="wikitable"
! Fonctionnalité !! Kubernetes !! OpenStack !! AWS !! Bare-metal !! HPC !! CRM !! oVirt
|-
| '''Outils de déploiement''' || Helm, YAML, ArgoCD, Juju || Ansible, Terraform, Juju || CloudFormation, Terraform, Juju || Ansible, Shell || xCAT, Clush || Ansible, Shell || Ansible, Python
|-
| '''Méthode de bootstrap''' || API || API, PXE || API || PXE, IPMI || PXE, IPMI || PXE, IPMI || PXE, API
|-
| '''Contrôle routeur''' || Kube-router || Router/Subnet API || Route Table / Subnet API || Linux, OVS || xCAT || Linux || API
|-
| '''Contrôle firewall''' || Istio, NetworkPolicy || Security Groups API || Security Group API || Linux firewall || Linux firewall || Linux firewall || API
|-
| '''Virtualisation réseau''' || VLAN, VxLAN || VPC || VPC || OVS, Linux || xCAT || Linux || API
|-
| '''DNS''' || CoreDNS || DNS-Nameserver || Route 53 || GDNS || xCAT || Linux || API
|-
| '''Load balancer''' || Kube-proxy, LVS || LVS || Network Load Balancer || LVS || SLURM || Ldirectord || N/A
|-
| '''Stockage''' || Local, cloud, PVC || Swift, Cinder, Nova || S3, EFS, EBS, FSx || Swift, XFS, EXT4, RAID10 || GPFS || SAN || NFS, SAN
|}

Cette table sert de point de départ pour choisir la bonne stack selon :
* le niveau de contrôle souhaité,
* le contexte (on-prem, cloud public, HPC…),
* les outils d’automatisation existants.

----

= Haute disponibilité, HPC & DevSecOps =

== Haute disponibilité avec Corosync & Pacemaker ==
[[File:HA-REF.drawio.png|400px|HA cluster architecture]]

Principes :
* clusters multi-nœuds ou multi-sites,
* fencing via IPMI,
* provisioning PXE / NTP / DNS / TFTP,
* pour 2 nœuds : attention au split-brain,
* 3 nœuds ou plus recommandés en production.

=== Ressources fréquentes ===
* multipath, LUNs, LVM, NFS,
* processus applicatifs,
* IP virtuelles, DNS, listeners réseau.

== HPC ==
[[File:HPC.drawio.png|400px|Overview of an HPC cluster]]

* orchestration de jobs (SLURM ou équivalent),
* stockage partagé haute performance,
* intégration possible avec des workloads IA.

== DevSecOps ==
[[File:DSO-POC-V3.drawio.png|400px|DevSecOps reference design]]

* CI/CD avec contrôles de sécurité intégrés,
* observabilité dès la conception,
* scans de vulnérabilité,
* gestion des secrets,
* policy-as-code.

----

= News & trends =

* [https://www.youtube.com/@lev-selector/videos Top AI News]
* [https://betterprogramming.pub/color-your-captions-streamlining-live-transcriptions-with-diart-and-openais-whisper-6203350234ef Real-time transcription with Diart + Whisper]
* [https://github.com/openai-translator/openai-translator OpenAI Translator]
* [https://opensearch.org/docs/latest/search-plugins/conversational-search Opensearch with LLM]

----

= Formation & apprentissage =

* [https://www.youtube.com/watch?v=4Bdc55j80l8 Transformers Explained]
* Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

----

= Liens cloud & IT utiles =

* [https://cloud.google.com/free/docs/aws-azure-gcp-service-comparison Cloud Providers Compared]
* [https://global-internet-map-2021.telegeography.com/ Global Internet Topology Map]
* [https://landscape.cncf.io/?fullscreen=yes CNCF Official Landscape]
* [https://wikitech.wikimedia.org/wiki/Wikimedia_infrastructure Wikimedia Cloud Wiki]
* [https://openapm.io OpenAPM]
* [https://access.redhat.com/downloads/content/package-browser Red Hat Package Browser]
* [https://www.silkhom.com/barometre-2021-des-tjm-dans-informatique-digital Baromètre TJM IT]
* [https://www.glassdoor.fr/salaire/Hays-Salaires-E10166.htm Indicateurs salariaux IT]

----

= Outils collaboratifs =

== Dépôts de code ==
* [https://github.com/ynotopec '''GitHub ynotopec''']

== Base de connaissance ==
* [https://infocepo.com '''ce wiki''']

== Messagerie ==
* contact interne / support selon les projets

== SSO ==
* [https://auth-lab.ailab.infocepo.com:wait-2026-12/auth Keycloak]

----

= À propos & contributions =

Suggestions de corrections, améliorations de schémas, retours d’expérience ou nouveaux labs bienvenus.

Ce wiki a vocation à rester un '''laboratoire vivant''' pour l’IA, le cloud et l’automatisation.