Prenez contact avec nous

Plan du cours

Introduction à EXO et au clustering IA local

  • Vue d'ensemble du framework EXO et de l'écosystème exo-explore
  • Comparaison entre l'inférence cloud centralisée et l'inférence locale distribuée
  • Architecture : découverte libp2p des appareils, 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

  • Configuration de Xcode, de la Metal ToolChain et des prérequis macOS
  • Installation de uv, Node.js, chaîne d'outils Rust nightly
  • Installation de la fourche macmon pinned pour le monitoring Apple Silicon
  • Clonage du dépôt et construction du tableau de bord avec npm
  • Lancement d'EXO depuis les sources et vérification du tableau de bord localhost:52415

Installation d'EXO sur Linux

  • Installation des dépendances via apt ou Homebrew sur Linux
  • Configuration de uv, Node.js 18+ et Rust nightly
  • Construction du tableau de bord et exécution d'EXO en mode CPU uniquement
  • Dissection des répertoires : chemins XDG Base Directory pour la configuration, les données, le cache et les journaux

Découverte automatique des appareils et formation du cluster

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

Activation de RDMA via Thunderbolt 5

  • Architecture RDMA et affirmation d'une réduction de latence de 99 pour cent
  • Activation de RDMA en mode récupération macOS avec rdma_ctl
  • Exigences câbles et contraintes topologie des ports sur Mac Studio
  • Correspondance des versions macOS entre tous les nœuds du cluster
  • Dépannage de la découverte RDMA et configuration DHCP

Déploiement de modèles avancés

  • Utilisation du tableau de bord pour charger et partitionner DeepSeek v3.1, Qwen3-235B et les modèles Llama
  • Aperçu des emplacements des instances avec le point de terminaison /instance/previews API
  • Création d'instances de modèles avec partitionnement par pipeline ou parallélisme tensoriel
  • Configuration de cartes modèles 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 des nœuds workers et comportement de reconnexion
  • Utilisation d'EXO_TRACING_ENABLED pour l'analyse des goulets d'étranglement de performance

Maintenance et mises à jour du cluster

  • Mise à jour des binaires EXO et procédures de reconstruction du tableau de bord
  • Migration des caches de modèles et gestion des modèles pré-téléchargés via NFS
  • Suppression ordonnée des nœuds et rééquilibrage des charges de travail

Pré requis

  • Une compréhension des fondamentaux des réseaux (IP, sous-réseautage, pare-feu)
  • Expérience avec l'administration en ligne de commande macOS ou Linux
  • Connaissance de la gestion des packages Python (pip/uv) et des outils Node.js

Audience cible

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires