Prenez contact avec nous

Plan du cours

Introduction à EXO et au clustering d'IA local

  • Aperçu du cadre EXO et de l'écosystème exo-explore
  • Comparaison entre l'inférence cloud centralisée et l'inférence locale distribuée
  • Architecture : découverte de dispositifs libp2p, backend MLX, tableau de bord et couches API
  • Besoins matériels : Apple Silicon (M3 Ultra, M4 Pro/Max), Thunderbolt 5, stockage partagé

Installation d'EXO sur macOS

  • Mise en place de Xcode, du Metal ToolChain et des prérequis macOS
  • Installation de uv, Node.js et de la toolchain Rust nightly
  • Installation de la fourche macmon spécifiée pour la surveillance sur Apple Silicon
  • Clonage du dépôt et compilation du tableau de bord avec npm
  • Lancement d'EXO à partir des sources et vérification du tableau de bord localhost:52415

Installation d'EXO sur Linux

  • Installation des dépendances via apt ou Homebrew sous Linux
  • Configuration de uv, Node.js 18+ et Rust nightly
  • Compilation du tableau de bord et exécution d'EXO en mode uniquement CPU
  • Structure des répertoires : chemins XDG Base Directory pour config, data, cache et logs

Découverte automatique des dispositifs et formation du cluster

  • Compréhension de la découverte automatique basée sur libp2p à travers les réseaux locaux
  • Configuration d'espaces de noms personnalisés avec EXO_LIBP2P_NAMESPACE pour l'isolation du cluster
  • Vérification de l'appartenance des nœuds dans la vue cluster du tableau de bord
  • Gestion des échecs de découverte et des problèmes de segmentation réseau

Activation de RDMA sur Thunderbolt 5

  • Architecture RDMA et affirmation d'une réduction de latence de 99 %
  • Activation de RDMA en mode récupération macOS avec rdma_ctl
  • Besoins en câbles et contraintes de topologie des ports sur Mac Studio
  • Correspondance des versions macOS sur tous les nœuds du cluster
  • Résolution des problèmes de découverte RDMA et de configuration DHCP

Déploiement des modèles de pointe

  • Utilisation du tableau de bord pour charger et partitionner les modèles DeepSeek v3.1, Qwen3-235B et la famille Llama
  • Aperçu des placements d'instances via le point de terminaison /instance/previews de l'API
  • Création d'instances de modèles avec un partitionnement par pipeline ou parallélisme tensoriel
  • Configuration de cartes de modèle personnalisées depuis HuggingFace hub

Surveillance et dépannage

  • Lecture des journaux EXO et compréhension du traçage distribué
  • Interprétation de la santé du cluster dans la vue cluster du tableau de bord
  • Diagnostic des échecs de nœuds workers et comportement de reconnexion
  • Utilisation de EXO_TRACING_ENABLED pour l'analyse des goulots d'étranglement de performance

Maintenance et mises à jour du cluster

  • Mise à jour des binaires EXO et procédures de recompilation du tableau de bord
  • Migration des caches de modèles et gestion des modèles pré-téléchargés via NFS
  • Retrait graduel des nœuds et équilibrage de la charge de travail

Pré requis

  • Compréhension des fondamentaux du réseau (IP, subnetting, pare-feu)
  • Expérience avec l'administration en ligne de commande sous macOS ou Linux
  • Connaissance de la gestion des paquets Python (pip/uv) et des outils Node.js

Audience

  • Administrateurs système
  • Ingénieurs DevOps
  • Architectes en infrastructure d'IA responsables du déploiement de LLM sur site
 21 Heures

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires