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 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

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.

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	EMBEDDINGS	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

---

Sélection AI & architecture par couche

Le tableau de bord Sélection AI présente l'architecture par couche des modèles IA choisies :

Couche	Modèle	Alias(s)	Taille
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: api-llm-privacy-proxy-gliner2-5
Public-Cloud	GLM-5.3-Flash	max	320B MoE / 18B actif — 1M contexte, multimodal
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

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

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

Endpoint	Modèle réel	URL
ai-thinking	qwen3.6 (thinking)	https://api-llm-custom.ailab.infocepo.com
ai-default	qwen3.6 (défaut)	https://api-llm-custom.ailab.infocepo.com
ai-flash	qwen3.6 (fast)	https://api-llm-custom.ailab.infocepo.com
ai-vision	qwen3.6 (vision/OCR)	https://api-llm-custom.ailab.infocepo.com
ai-embedding	bge-m3	https://api-embedding.ailab.infocepo.com

Services & infrastructure IA

• Agents SaaS : Déploiement multi-tenant d'agents Hermes
• bge-m3 Article : Recherche sémantique sur articles (bge-m3)
• Infra Dashboard v2 : Tableau de bord infrastructure
• Keycloak : SSO / authentification centralisée
• MCP Proxy : Passerelle MCP
• Onyxia : Data science platform (catalogue de services)
• RAG OpenWebUI : RAG intégré à Open WebUI
• Registry : Registre d'images Docker local
• Tika : Extraction de texte (Apache Tika)

Benchmarks & évaluation

• Benchmark Endpoints : Comparatif de performance d'endpoints LLM
• Eval Dashboard : Évaluation de modèles LLM
• OpenRouter Q/P : Classement qualité/prix des modèles OpenRouter
• OSS Efficiency : Efficacité des modèles open-source
• Privacy Benchmark : Benchmark de fuites de secrets (proxy LLM)
• RAG Bench : Benchmark de pipelines RAG
• RAG Eval : Évaluation qualité RAG

Veille automatisée

• Model Tracker : Suivi des modèles HuggingFace vs déploiements
• News Aggregator : Agrégation de flux d'actualité IA

Veille GitHub (populaire)

• transformers (2026-10-03) : Framework pour modèles de ML - transformers, embeddings, NLP (166k⭐)
• unsloth (2026-10-03) : Interface locale pour exécuter et entraîner LLMs et modèles diffusion - GGUF, MLX, Qwen3.8, DeepSeek (77k⭐)
• litellm (2026-10-03) : Passerelle AI rapide - Gateway Rust + SDK Python. 100+ APIs LLM en une (60k⭐)
• vllm (2026-09-29) : A high-throughput and memory-efficient inference and serving engine for LLMs (93k⭐)
• OpenHands (2026-09-29) : AI-Driven Development: open-source AI agent platform (89k⭐)
• LibreChat (2026-09-29) : Enhanced ChatGPT Clone: Features Agents, MCP, Skills, DeepSeek, Anthropic, AWS, OpenAI, Responses API (45k⭐)
• 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⭐)
• qwen-code (2026-09-27) : An open-source AI coding agent that lives in your terminal. (28k⭐)
• 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⭐)
• Front-End-Checklist (2026-10-05) : 🗂 The essential checklist for modern web development, for humans and AI agents (74k⭐)
• openclaw (2026-10-05) : The AI that really does things. Any OS. Any Platform. The lobster way. 🦞 (391k⭐)
• promptfoo (2026-10-05) : Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanni… (26k⭐)

Agents IA & Orchestration

• LangChain : Framework pour applications basées sur les LLM. Le plus mature. (145k⭐).
• Dify : Plateforme de développement d'applications IA (LLM Ops). Déployable en self-host. (154k⭐).
• open-webui : Interface web IA (Ollama, OpenAI API, MCP). (151k⭐).
• ollama : Get up and running with Kimi-K2.6, GLM-5.2, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other models. (180k⭐).
• milvus : Base de données vectorielle haute performance. (46k⭐).

Audio & TTS

• Qwen3-Omni-30B-A3B-Instruct — Modèle multimodal Qwen (audio + texte + image).

Génération & Édition d'Images

• ComfyUI  : GUI et backend diffusion model le plus modulaire. (131k⭐)

RAG & Traitement de Documents

• paperless-ngx : Document management : scan, index, archive. ML, OCR. (45k⭐).
• graphify : Transforme codebase en graphe de connaissances interrogeable. (115k⭐).
• LightRAG : RAG simple et rapide. (39k⭐).
• graphrag : RAG modulaire basé sur les graphes. (35k⭐).
• headroom : Compress tool outputs, logs, files et RAG chunks. 20-95% token savings. (69k⭐).
• 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

• Semantic Router — Routage sémantique de requêtes vLLM.

Outils Dev

• Aider — Assistant de codage IA en ligne de commande.
• Continue — Extension IDE IA (VS Code, JetBrains). (35k⭐)

• 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)
• netron (2026-09-30) : Visualizer for neural network, deep learning and machine learning models (33k stars)
• 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

• Hermes WebUI + Ollama + GPU

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

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-2026-12/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-llm-custom.ailab.infocepo.com/v1
• Création du token : OPENAI_API_KEY
• Documentation : Documentation API

Liste des modèles

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

Modèles ouverts & endpoints internes

Dernière mise à jour : 2026-10-03

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

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

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'

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-llm-custom.ailab.infocepo.com/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-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}")

---

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-2026-12/summary/ \
  -H "Content-Type: application/json" \
  -d "$json_payload"

---

API Text Embeddings

• URL : https://api-embedding.ailab.infocepo.com/v1
• Documentation : Documentation

Exemple

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'

---

API DB Vectors (ChromaDB)

Production

• URL : https://chromadb.ailab.infocepo.com:wait-2026-12
• Token : XXXXX

Lab

export CHROMA_HOST=https://chromadb.c1.ailab.infocepo.com:wait-2026-12
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-2026-09
• Login : user
• Password : XXXXX

Exemple

curl -u "user:XXXXX" https://registry.ailab.infocepo.com:wait-2026-09/v2/_catalog

Exemple K8S

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"}]}}}}'

---

Stockage objet externe (S3)

• Endpoint : https://s3.ailab.infocepo.com:wait-2026-09
• 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=1000
• chunk_overlap=100
• LLM : qwen3.6
• 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 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

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

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

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
• 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

---

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.