Main Page

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.

---

Accès rapide

Portail principal

• infocepo.com

Assistant IA

• Chat assistant

Liste des pages du wiki

• Toutes les pages

Vue d’ensemble

• 

  Infra architecture overview

---

Démarrer rapidement

Parcours recommandés

1. Construire un assistant IA privé

• Déployer une stack type Open 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

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.

Main page summary

---

Catalogue rapide des services

Services principaux

Catégorie	Service	Lien	Rôle
API	LLM	API LLM	Modèles de chat, code, RAG, OCR
API	STT	API STT	Transcription audio
API	TTS	API TTS	Synthèse vocale
API	Realtime AI	api-realtime-ai	Temps réel WebSocket / WebRTC
API	Image to Text	API LLM	OCR / VLM via endpoint dédié
API	Summary	API Summary	Résumé de textes longs
API	Text Embeddings	Text Embeddings	Embeddings pour RAG
API	ChromaDB	ChromaDB	Base vecteur
API	Text to Image	TXT2IMAGE	Génération d’images
API	Diarization	Diarization	Segmentation locuteurs
Observabilité	Monitoring	Grafana	Dashboards techniques
Observabilité	Status	Uptime Kuma	Disponibilité des services
Observabilité	Web stats	Web Stat	Statistiques web
Observabilité	LLM stats	LLM Stat	Vue API / usage
Outils	DataLab	DataLab	Environnement de travail hors-production
Outils	Translation UI	Translation	Traduction
Outils	Demos	Demos	Démonstrateurs

---

Nouveautés

Nouveautés 21/03/2026

• Ajout de gemma4 : Gemma 4 models are designed to deliver frontier-level performance at each size. They are well-suited for reasoning, agentic workflows, coding, and multimodal understanding.

• Ajout de nemotron-cascade-2 : modèle open 30B MoE NVIDIA orienté raisonnement et tâches agentiques.
• Ajout de opencode : CLI coder à comparer avec Aider / OpenHands.
• Ajout de localai : infrastructure locale unifiée pour STT / TTS / LLM.
• DGX Spark : architecture CPU ARM.
• Ajout de qwen3.5 : famille de modèles open source multimodaux.
• Ajout de api-convert2md : extraction de tableaux pour RAG compatible Open WebUI.
• Mise à jour des paramètres RAG optimisation.
• Ajout de experimental brains.
• Ajout de legal-agent.
• Ajout de ai-security.
• Ajout de langextract : démo extraction d’entités.
• Ajout de sam-audio : séparation audio sémantique.
• Ajout de glm-4.7-flash : modèle 30B léger orienté performance / efficacité.
• Ajout de API Realtime : WebRTC / WebSocket bidirectionnel basse latence.
• Ajout de gpt-oss : modèles open-weight conçus pour raisonnement et tâches agentiques.

---

Priorités

Top tasks

• Ajouter Presidio : anonymisation / masquage PII, socle RGPD.
• Ajouter SGLang : serving LLM haute performance.
• Ajouter llm-d : blueprints + charts Kubernetes pour industrialiser les déploiements.
• Ajouter Dynamo : orchestration inférence multi-nœuds.
• Ajouter GuideLLM : capacity planning / benchmark réaliste.
• Ajouter NeMo Guardrails : garde-fous et politiques.

Backlog / veille

• OPENRAG > implement / evaluate / add OIDC
• short audio transcription
• translation latency > api-realtime-ai
• RAG sur PDF avec images
• compatibilité Open WebUI avec Agentic RAG
• scalability
• security > ai-security / NeMo Guardrails
• openclaw
• faster-whisper mutualisé
• API classificateur IA
• API résumé mutualisée
• API KV (LDAP user / group)
• API NER
• parsing structuré docs : granite-docling + meilisearch
• Temporal pour workflows critiques
• appwrite
• semantic-router
• Shannon
• Qwen3-ASR-1.7B
• Youtu-VL-4B-Instruct
• Step3-VL-10B
• Qwen3-TTS-12Hz-1.7B-CustomVoice
• chatterbox
• deepset-ai/haystack
• meilisearch
• granite-docling-258M
• Airbyte
• aider
• continue
• OpenHands
• N8N
• API Compressor
• LightRAG
• Qwen3-Omni-30B-A3B-Instruct
• Metabase
• browser-use
• MCP LLM
• Dify
• Rasa
• supabase
• mem0
• DeepResearch
• AppFlowy
• dx8152/Qwen-Edit-2509-Multiple-angles

---

Assistants IA & outils cloud

Assistants IA

ChatGPT

• ChatGPT – Assistant conversationnel public, utile pour exploration, rédaction, expérimentation rapide.

Assistants IA auto-hébergés

• Open WebUI + Ollama + GPU

Stack typique pour assistant privé, API OpenAI-compatible et expérimentation locale.

• Private summary

Outil de résumé local, rapide et hors ligne.

Développement, modèles & veille

Découverte de modèles

• LLM Trending
• Models Trending
• Img2txt Trending
• Txt2img Evaluation

Évaluation & benchmarks

• ChatBot Evaluation
• Embedding Leaderboard
• Vectors DB Ranking
• HPC Efficiency

Outils de développement & fine-tuning

• Project Trending
• LLM Fine Tuning
• Perplexity AI

Matériel IA & GPU

• NVIDIA H100
• NVIDIA 5080
• GROQ LLM accelerator

---

Modèles ouverts & endpoints internes

Dernière mise à jour : 2026-03-30

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

Endpoint	Description / usage principal
ai-chat	Basé sur gpt-oss-20b – chat généraliste, bon compromis coût / qualité
ai-translate	translategemma, température = 0 – traduction déterministe et reproductible
ai-summary	qwen3 – résumé de textes longs
ai-code	glm-4.7-flash – tâches agentiques, raisonnement et explication de code
ai-parse	qwen3 – extraction structurée, parsing logs / JSON / tableaux
ai-RAG-FR	qwen3 – RAG en français

---

API Realtime AI (DEV)

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

Configuration

Variable	Valeur
OPENAI_API_BASE	wss://api-realtime-ai.ailab.infocepo.com:wait-2026-06/v1
OPENAI_API_KEY	sk-XXXXX

Dépôt GitHub

• ynotopec/api-realtime-ai

Page de test

• external-test/half-duplex.html — annulation d’écho + mode half-duplex.

Compatibilité

Remplacer l’URL OpenAI par $OPENAI_API_BASE pour tester compatibilité et performances.

---

API LLM (OpenAI compatible)

• URL de base : https://api.ailab.infocepo.com:wait-2026-06/v1
• Création du token : OPENAI_API_KEY
• Documentation : Documentation API

Liste des modèles

curl -X GET \
  'https://api.ailab.infocepo.com:wait-2026-06/v1/models' \
  -H 'Authorization: Bearer sk-XXXXX' \
  -H 'accept: application/json' \
  | jq | sed -rn 's#^.*id.*: "(.*)".*$#* \1#p' | sort -u

Modèles mis en avant

Model	Commentaire
ai-chat	qwen3-coder
ai-translate	qwen3-coder
ai-summary	qwen3-coder
ai-code-completion	qwen3-coder
ai-RAG-FR	qwen3-coder
qwen3-coder	Function Calling
ai-ocr	qwen3-vl

Exemple bash

export OPENAI_API_MODEL="ai-chat"
export OPENAI_API_BASE="https://api.ailab.infocepo.com:wait-2026-06/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 -k ${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'

Vue infra LLM

File:Litellm-proxy-mermaid-diagram-2024-03-24-205202.png

DEV (au choix)

• A. LiteLLM → vLLM : tests perf / compatibilité
• B. LiteLLM → Ollama : simple, rapide à itérer
• C. Ollama direct : POC ultra-léger

DEV – modèle FR / résumé

• LiteLLM → Ollama /v1

PROD

• Standard : LiteLLM → vLLM
• Pont DEV→PROD : LiteLLM (DEV) → LiteLLM (PROD) → vLLM

Notes :

• LiteLLM = passerelle unique (clés, quotas, logs)
• vLLM = 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 : ai-ocr

Exemple bash

OPENAI_API_KEY=sk-XXXXX

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

jq -n --rawfile img img.b64 \
'{
  model: "ai-ocr",
  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.ailab.infocepo.com:wait-2026-06/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  --data-binary @payload.json

Exemple Python

import base64
import json
import requests
import os

API_KEY = os.getenv("OPENAI_API_KEY")
MODEL = "ai-ocr"
IMG_PATH = "/path/to/image.png"
API_URL = "https://api.ailab.infocepo.com:wait-2026-06/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}")

---

API STT

• URL : https://stt.ailab.infocepo.com:wait-2026-06/v1
• Clé : OPENAI_API_KEY=sk-XXXXX
• Modèle : whisper-1
• Documentation : API STT docs

Exemple Python

import requests

OPENAI_API_KEY = 'sk-XXXXX'

url = 'https://stt.ailab.infocepo.com:wait-2026-06/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())

Exemple curl

[ ! -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://stt.ailab.infocepo.com:wait-2026-06/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F model="whisper-1" \
  -F file="@/tmp/test.ogg"

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

• translate-rt

---

API TTS

• URL : https://tts.ailab.infocepo.com:wait-2026-06/v1
• Clé : OPENAI_API_KEY=sk-XXXXX
• Documentation : API TTS docs

Exemple

export OPENAI_API_KEY=sk-XXXXX

curl https://tts.ailab.infocepo.com:wait-2026-06/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 -

---

API Text to Image

• URL : https://api-txt2image.ailab.infocepo.com:wait-2026-06/v1
• Clé API : OPENAI_API_KEY=EMPTY
• Documentation : API TXT2IMAGE docs

Exemple

export OPENAI_API_KEY=EMPTY

curl https://api-txt2image.ailab.infocepo.com:wait-2026-06/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"
  }'

---

API Diarization

• Documentation : API Diarization docs

Exemple

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:wait-2026-06/upload-audio/" \
  -H "Authorization: Bearer token1" \
  -F "file=@/tmp/test.mp3"

---

API Summary

• Documentation : API Summary docs

Exemple

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-2026-06/summary/ \
  -H "Content-Type: application/json" \
  -d "$json_payload"

---

API Text Embeddings

• URL : https://text-embeddings.ailab.infocepo.com:wait-2026-06
• URL utilisée par MRSIE : https://tei.ailab.infocepo.com:wait-2026-06/
• Documentation : Documentation

Exemple

curl -k https://text-embeddings.ailab.infocepo.com:wait-2026-06/embed \
  -X POST \
  -d '{"inputs":"What is Deep Learning?"}' \
  -H 'Content-Type: application/json'

---

API DB Vectors (ChromaDB)

Production

• URL : https://chromadb.ailab.infocepo.com:wait-2026-06
• Token : XXXXX

Lab

export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-06
export CHROMA_PORT=443
export CHROMA_TOKEN=XXXX

Exemple curl

curl -v "${CHROMA_HOST}"/api/v1/collections \
  -H "Authorization: Bearer ${CHROMA_TOKEN}"

Exemple Python

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)

Déployer sa propre instance

export nameSpace=your_namespace
domainRoot=ailab.infocepo.com:wait-2026-06

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"}]'

Récupérer le token

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

---

Registry

• URL : registry.ailab.infocepo.com:wait-2026-06
• Login : user
• Password : XXXXX

Exemple

curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-06/v2/_catalog

Exemple K8S

deploymentName=
nameSpace=

kubectl -n ${nameSpace} create secret docker-registry pull-secret \
  --docker-server=registry.ailab.infocepo.com:wait-2026-06 \
  --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"}]}}}}'

---

Stockage objet externe (S3)

• Endpoint : https://s3.ailab.infocepo.com:wait-2026-06
• Access key : XXXX
• Secret key : XXXX

Un bucket nommé ORG a été créé pour stocker des documents de démonstration.

---

RAG optimisation

• Embeddings : BAAI/bge-m3
• chunk_size=1200
• chunk_overlap=100
• LLM : qwen3
• Pour les PDF mixtes : PDF → image → OCR / VLM peut améliorer les résultats.

---

Processus usine IA

Étape	Description	Outils utilisés	Responsable(s)
1	Idée	-	Équipe projet
2	Développement	Environnement Onyxia / lab	Équipe projet
3	Déploiement	CI/CD, GitHub, Kubernetes	Équipe DevOps
4	Surveillance	Uptime-Kuma, dashboards	Équipe DevOps
5	Alertes	Mattermost	Équipe DevOps
6	Support infrastructure	-	Équipe SRE
7	Support applicatif	-	Équipe applicative

---

Environnements

Hors production

• Utiliser 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.

---

Cloud Lab & projets d’audit

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

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
Total		15 jours.homme

Vérifications de stabilité (HA minimale)

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

---

Architecture web & bonnes pratiques

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

• Wikimedia infrastructure
• System Design GitHub

---

Comparatif des grandes plateformes cloud

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

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

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

DevSecOps

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

---

News & trends

• Top AI News
• Real-time transcription with Diart + Whisper
• OpenAI Translator
• Opensearch with LLM

---

Formation & apprentissage

• Transformers Explained
• Labs, scripts et retours d’expérience concrets dans le projet Cloud Lab

---

Liens cloud & IT utiles

• Cloud Providers Compared
• Global Internet Topology Map
• CNCF Official Landscape
• Wikimedia Cloud Wiki
• OpenAPM
• Red Hat Package Browser
• Baromètre TJM IT
• Indicateurs salariaux IT

---

Outils collaboratifs

Dépôts de code

• GitHub ynotopec

Base de connaissance

• ce wiki

Messagerie

• contact interne / support selon les projets

SSO

• Keycloak

MLflow

• MLFlow

---

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.