{"id":66237,"date":"2024-12-11T10:29:31","date_gmt":"2024-12-11T10:29:31","guid":{"rendered":"https:\/\/www.sardinasystems.com\/non-classifiee\/fishos-powered-machine-learning-cloud-for-successful-scientific-research\/"},"modified":"2025-05-14T16:16:31","modified_gmt":"2025-05-14T16:16:31","slug":"fishos-powered-machine-learning-cloud-for-successful-scientific-research","status":"publish","type":"post","link":"https:\/\/www.sardinasystems.com\/fr\/notre-blog\/fishos-powered-machine-learning-cloud-for-successful-scientific-research\/","title":{"rendered":"Cloud de Machine Learning aliment\u00e9 par FishOS pour une recherche scientifique r\u00e9ussie"},"content":{"rendered":"\n

Au cours de pr\u00e8s de deux ans de collaboration \u00e9troite avec l’un des principaux centres de recherche d’Allemagne, l’Universit\u00e9 de T\u00fcbingen<\/strong>, Sardina Systems a fourni un soutien essentiel pour am\u00e9liorer l’efficacit\u00e9 et la productivit\u00e9 de l’infrastructure cloud de machine learning de l’universit\u00e9. Dans cette \u00e9tude de cas, nous examinerons comment FishOS, la plateforme de gestion cloud enti\u00e8rement automatis\u00e9e, \u00e9volutive et rentable de Sardina Systems<\/strong>, aide une petite \u00e9quipe d’experts \u00e0 g\u00e9rer leurs t\u00e2ches quotidiennes afin que les data scientists puissent concentrer leurs efforts sur la r\u00e9alisation de recherches r\u00e9volutionnaires dans des domaines tels que la m\u00e9decine, l’agriculture, la conduite autonome et d’autres domaines, et fournir des solutions transformatrices.<\/p>\n\n

Rencontre avec le Cloud ML<\/mark><\/strong><\/p>\n\n

Le Cloud ML \u00e0 l’Universit\u00e9 de T\u00fcbingen<\/a>,<\/mark><\/strong> comprenant le Centre d’IA et le Cluster d’Excellence en ML, conduit des projets impactants en imagerie m\u00e9dicale, y compris l’\u00e9tude du cancer et du cerveau<\/strong>, ainsi que la vision par ordinateur et l’analyse des mouvements humains<\/strong>, des initiatives de simulation et de pr\u00e9vision climatique, et m\u00eame la formation d’un robot Boston Dynamics pour des t\u00e2ches agricoles<\/strong>. Avec la participation de 48 groupes de recherche<\/strong>, ces projets repoussent les limites et apportent des contributions significatives<\/strong> dans divers domaines. <\/p>\n\n

\"Schéma<\/a><\/figure>\n\n

Actuellement, des ressources humaines limit\u00e9es sont impliqu\u00e9es dans la maintenance d’un cluster compos\u00e9 d’environ 200 c\u0153urs<\/strong>, responsable de toutes les op\u00e9rations de donn\u00e9es. Explorons les d\u00e9fis auxquels les sp\u00e9cialistes \u00e9taient confront\u00e9s avant la mise en \u0153uvre de FishOS, et comment la plateforme les a aid\u00e9s \u00e0 surmonter ces difficult\u00e9s. <\/p>\n\n

Relever le d\u00e9fi<\/mark><\/strong><\/p>\n\n

L’\u00e9quipe informatique de l’universit\u00e9 rencontre des d\u00e9fis distinctifs inh\u00e9rents aux organisations publiques. Op\u00e9rant dans le cadre de contraintes de financement gouvernementales strictes, ils doivent assurer le fonctionnement sans faille d’un syst\u00e8me informatique scientifique \u00e0 travers plusieurs unit\u00e9s <\/strong> tout en r\u00e9pondant \u00e9galement aux divers besoins informatiques de diff\u00e9rents groupes de recherche. <\/strong> La stabilit\u00e9 est cruciale pour les chercheurs cherchant des r\u00e9sultats pr\u00e9cis, en particulier dans des domaines tels que la recherche sur le cancer et le cerveau o\u00f9 la puissance de calcul est indispensable pour les applications de machine learning. <\/p>\n\n

Naviguer \u00e0 travers les obstacles<\/mark><\/strong><\/p>\n\n

En r\u00e9ponse \u00e0 ces d\u00e9fis, l’\u00e9quipe universitaire a choisi de tirer parti de l’infrastructure sur site <\/strong> pour maximiser l’efficacit\u00e9 budg\u00e9taire et r\u00e9pondre aux exigences de capacit\u00e9. Ils ont d\u00e9velopp\u00e9 une architecture mat\u00e9rielle adapt\u00e9e pour r\u00e9pondre aux divers besoins <\/strong> de petits groupes de recherche dispers\u00e9s \u00e0 travers l’Allemagne. Cette architecture combine virtualisation et m\u00e9tal nu de mani\u00e8re \u00e9quilibr\u00e9e<\/strong>, compl\u00e9t\u00e9e par une installation de stockage Ceph distribu\u00e9e<\/strong> \u00e0 des fins d’archivage. <\/p>\n\n

<\/p>\n\n

\"Aperçu<\/a><\/figure>\n\n

Environ 15-20% des n\u0153uds du syst\u00e8me sont allou\u00e9s aux \u00e9quilibreurs de charge<\/strong>, les n\u0153uds restants \u00e9tant d\u00e9di\u00e9s \u00e0 la puissance de calcul. Les hyperviseurs sont \u00e9quip\u00e9s de configurations CPU-only, GPU V100 et GPU A100<\/strong>, avec environ 70% des n\u0153uds actuellement utilis\u00e9s en m\u00e9tal nu.<\/strong> Les ressources GPU, situ\u00e9es \u00e0 la fois sur les hyperviseurs et en m\u00e9tal nu, sont prioritaires pour am\u00e9liorer la r\u00e9activit\u00e9 du syst\u00e8me<\/strong>. De plus, le syst\u00e8me prend en charge des t\u00e2ches plus conventionnelles en fournissant des CPU classiques pour des fonctions telles que la gestion des ensembles de donn\u00e9es. <\/p>\n\n

FishOS : Soutenir une infrastructure stable et rationaliser les op\u00e9rations<\/mark><\/strong><\/p>\n\n