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	Rôle
API	LLM	Modèles de chat, code, RAG, OCR
API	STT	Transcription audio
API	TTS	Synthèse vocale
API	realtime-ai	Temps réel WebSocket / WebRTC
API	IMAGE2TXT	OCR / VLM via endpoint dédié
API	summary	Résumé de textes longs
API	text2embeddings	Embeddings pour RAG
API	ChromaDB	Base vecteur
API	TXT2IMAGE	Génération d’images
API	diarization	Segmentation locuteurs
Observabilité	monitoring	Dashboards techniques
Observabilité	status	Disponibilité des services
Observabilité	web-stat	Statistiques web
Observabilité	LLM-stat	Vue API / usage
Outils	dataLab	Environnement de travail hors-production
Outils	realtime translation	Traduction
Outils	Demos	Démonstrateurs

---

Nouveautés

Nouveautés 29/05/2026

• Qwen3.7 vient de faire un grand bon qualitatif en agentique tout en étant l'un des moins chers
• compatibilité Open WebUI avec Agentic RAG
• upgrade realtime translation : réduction significative des hallucinations lors des silences, diminution de la latence et ajout de la plupart des langues en TTS
• ajout de TTS Omnivoice : Qualité TTS augmenté et ajout plus global des langues (600)
• ajout de lightRAG : LightRAG est un framework RAG avancé et léger qui combine graphs de connaissances et recherche vectorielle pour une analyse contextuelle profonde et efficace.
• ajout de API reranker
• ajout de API embedding
• privacy-filter : filtrage données personnelles
• Un seul fichier CLAUDE.md inspiré d’Andrej Karpathy pour transformer Claude en un vrai ingénieur logiciel.
• Ajout de qwen3.6 : Qwen3.6 delivers substantial upgrades in agentic coding and thinking preservation than previous Qwen models.
• Hermes Agent : l’agent qui s’améliore et grandit avec toi.
• gemma4 STT : API de transcription compatible OpenAI. La qualité est très bonne. Il faut comparer avec Whisper3-turbo. Il est plus gourmant en mémoire. Il ne retourne pas de "timestamp" "sentence".
• qwen3 STT : API de transcription compatible OpenAI. La qualité est moins bonne en français que Whisper3-turbo. Mais il faudrait tester avec d'autres langues. Il peut théoriquement prendre beaucoup de charge avec le backend actuel vLLM.
• cohere STT : premiers tests non convainquants. Certainement pertinent dans la transcription monolangue, mais non adapté au multilangue. Il faut définir la langue avant transcription. Il ne retourne pas de "timestamp" "sentence".
• opencode : CLI coder à comparer avec Aider / OpenHands.
• DGX Spark : architecture CPU ARM.
• 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 API Realtime : WebRTC / WebSocket bidirectionnel basse latence.

---

Priorités

Top tasks

• Ajouter Presidio : anonymisation / masquage PII, socle RGPD.
• 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 Technologique

Agents IA & Orchestration

• Paperclip — Orchestrateur open-source pour coordonner et superviser une équipe d'agents IA autonomes
• OpenClaw
• OpenHands — Agent IA autonome pour le développement logiciel
• Dify — Plateforme de développement d'applications IA (LLM Ops)
• browser-use — Framework pour contrôler les navigateurs via des agents IA
• LangChain — Framework pour applications basées sur les LLM
• FlowiseAI — Build LLM apps visually
• Rasa — Framework open-source pour chatbots et assistants vocaux
• DeepResearch — Recherche approfondie automatisée par IA

Génération Vidéo

• Sulphur-2-base — Modèle vidéo uncensored basé sur LTX 2.3 (t2v, i2v natif)

Audio & TTS

• Supertonic-3 — TTS léger pour inférence locale, ONNX Runtime, zéro cloud
• faster-whisper (mutualisé) — Transcription speech-to-text optimisée
• Chatterbox —
• Qwen3-Omni-30B-A3B-Instruct — Modèle multimodal Qwen (audio + texte + image)

Génération & Édition d'Images

• HiDream-O1-Image — Modèle unifié pixel-level (UiT), sans VAE externe — t2i, édition, personnalisation jusqu'à 2048×2048
• Qwen-Edit-2509-Multiple-angles — Édition d'images multi-angles

RAG & Traitement de Documents

• RAG sur PDF avec images
• granite-docling-258M — Parsing structuré de documents IBM Granite
• Haystack — Framework RAG end-to-end (deepset)
• Mem0 — Mémorie à long terme pour agents IA
• meilisearch — Moteur de recherche full-text

APIs à Développer

• Classificateur IA — Classification de contenu
• Résumé mutualisé — API de résumé de texte partagée
• KV (LDAP user / group) — Clé-valeur avec annuaire LDAP
• NER — Reconnaissance d'entités nommées
• Compressor — Compression de contenu

Infrastructure & Backend

• Temporal — Orchestration de workflows critiques
• Appwrite — Backend as a service open-source
• Semantic Router — Routage sémantique de requêtes vLLM
• Shannon —
• Airbyte — Plateforme ETL/ELT open-source
• Supabase — Alternative open-source Firebase (PostgreSQL, Auth, etc.)
• Metabase — Analytics et dashboards open-source
• N8N — Workflow automation open-source
• AppFlowy — Suite collaborative open-source (alternative Notion)
• Scalabilité — Axe d'amélioration

Outils Dev

• Aider — Assistant de codage IA en ligne de commande
• Continue — Extension IDE IA (VS Code, JetBrains)
• MCP LLM — Modèle de langage via Model Context Protocol

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

• Models Trending

Évaluation & benchmarks

• Agentic Evaluation

Outils de développement & fine-tuning

• Project Trending
• News search

Matériel IA & GPU

• NVIDIA GH200
• DGX Spark
• GROQ LLM accelerator

---

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 ouverts & endpoints internes

Dernière mise à jour : 2026-04-20

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

Endpoint	Description / usage principal
ai-multilingual	qwen3.6 fp8 en mode nothink – multilingual
ai-tools	qwen3.6 fp8 – tâches agentiques et outils
ai-thinking	qwen3.6 fp8 – thinking
ai-vision	qwen3.6 fp8 en mode nothink – vision/OCR
ai-embedding	bge-m3 – recherche sémantique
ai-stt	whisper3-turbo – transcription vocale multilingual
ai-tts	Kokoro-82M – TTS multilingual limité (actuel, internal dev)
ai-tts-next	OmniVoice – TTS multilingual en évaluation
ai-image	OpenDalle – image génération

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/SgLang : 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/SgLang
• Pont DEV→PROD : LiteLLM (DEV) → LiteLLM (PROD) → vLLM/SgLang

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 : ai-vision

Exemple bash

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.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-vision"
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://api-audio2txt.ailab.infocepo.com/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://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())

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://api-audio2txt.ailab.infocepo.com/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://api-tts-omnivoice.ailab.infocepo.com/v1
• Clé : OPENAI_API_KEY=sk-XXXXX
• Documentation : API TTS docs

Exemple

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 -

---

API Text to Image

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

Exemple

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"
  }'

---

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/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
• 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

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 : qwen3.6
• 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.