Kinesis OneTeam · Partagez les GPU de votre équipe sans projet d’ordonnanceur.
Plus de développeurs que de GPU ? Les Kinesis Grids font avancer chaque équipe.
Faites de vos GPU une Kinesis Grid partagée, avec une commande d’installation par serveur : ni Kubernetes, ni Slurm. Chacun lance son travail sans ouvrir de ticket, dans les limites que vous fixez. Les GPU de data center compatibles se découpent en tranches isolées ; tous les autres sont partagés entiers, et quand les GPU manquent, chacun passe à son tour.
Gratuit pour commencer : pas de frais de Grid sur vos 5 premiers serveurs, et vos 5 premiers utilisateurs sont gratuits.
Ce qui fait avancer les équipes
Moins d’attente, plus de livraisons.
Tout ce dont un parc de GPU partagé a besoin pour que les développeurs avancent et que chaque GPU reste occupé, sans projet d’ordonnanceur ni tableur pour savoir qui a droit à quoi.
- Grids / lab-a100 / RèglesPartage équitableDésactivéPartage équitable
Temps alloué
4 h
Applications par personne
2
Activité
- En attente de capacité sur la Grid (partage équitable)ana · train-vit
- Retirée de la machine — tour terminé (partage équitable)ben · sweep-12
- Machine réservée pour l’application (partage équitable)ana · train-vit
- Admis depuis la file d’attente de la Grid (partage équitable)ana · train-vit
Partage équitable
Quand les GPU viennent à manquer, les applications attendent dans une file et passent à tour de rôle. Définissez le temps alloué et le nombre d’applications par personne ; la Grid fait avancer le travail à la fin de chaque tour.
- Grids / lab-a100 / Règles / Quotas
- Limiter les GPU par personne4
- Limiter les applications par personne3
- Limiter les instances par personneAucune limite
- Délai avant l’arrêt15 min
Applications exemptées
shared-inferencelab-jupyterhub
Limites des conteneurs
CPU 16 cœursMémoire 64 Go
Quotas et limites
Plafonnez les GPU, les applications et les instances par personne sur chaque Grid, définissez des limites de CPU et de mémoire par conteneur, et exemptez les services partagés dont tout le monde dépend.
- Serveurs / gpu-node-07 / slices GPUH100 80GBPartitionnement MIG Activé
Unité
VRAM
Application attribuée
3g.40gb40 GBthesis-llm2g.20gb20 GBcs231-notebook-041g.10gb10 GBcs231-notebook-111g.10gb10 GBGratuitGPU fractionnés
Découpez les GPU de data center compatibles (classe A100 et H100) en tranches isolées avec NVIDIA MIG, pour qu’une seule carte serve toute une classe ou plusieurs tâches. Chaque tranche compte pour un GPU dans les quotas. Les GPU qui ne peuvent pas être découpés sont partagés entiers, à tour de rôle en partage équitable.
- Parc · Toutes les Grids
- dgx-018× A100 · lab-a100
- colo-h100-028× H100 · research
- lab-l40s-034× L40S · teaching
- ws-rtx-112× RTX 6000 · teaching
VisionRechercherRechercheStagiaires
Tout votre parc dans une seule vue
Chaque serveur de chaque Grid, avec le détail de qui exécute quoi sur chaque GPU. L’utilisation par personne et le coût par projet sont à un clic.
Écrans illustratifs · noms et chiffres fictifs
Les GPU inactifs reviennent
La Grid repère les applications qui monopolisent des GPU sans les utiliser, prévient leurs propriétaires et libère le GPU pour l’équipe suivante.
Une Grid par groupe, si vous le souhaitez
Donnez à chaque laboratoire, division ou promotion sa propre Grid avec ses propres administrateurs, ou regroupez tout en une seule.
Pour qui
Conçu pour les lieux où beaucoup de personnes se partagent quelques GPU.
Quand beaucoup de personnes se partagent quelques GPU coûteux, le plus difficile est de faire avancer tout le monde : un tour équitable pour chaque équipe, de la place pour chaque tâche, et savoir qui utilise quoi. Une Kinesis Grid s’occupe des trois.
Universités et laboratoires de recherche
Un seul cluster pour chaque laboratoire et chaque cours, sans feuille d’inscription.
- Chaque laboratoire ou cours dispose d’un quota. Le partage équitable absorbe le rush avant les échéances.
- Découpez les grands GPU pour que toute une classe puisse travailler en même temps.
- Utilisation par personne et coût par projet pour les rapports de subvention et la refacturation interne.
- Les étudiants déploient eux-mêmes notebooks et modèles. Aucun ticket à l’administrateur.
Incubateurs et accélérateurs
Un accès GPU pour chaque startup de la promotion, sur le matériel propre au programme.
- Chaque startup a ses propres limites : une semaine de lancement n’affame pas les autres.
- Des projets et des rôles distincts pour chaque équipe. Partagez une seule Grid ou donnez à chacune la sienne.
- Les responsables du programme voient l’utilisation par personne et le coût par projet pour toute la promotion.
- Les startups conservent le même workflow après leur sortie du programme, sur leur propre Grid ou sur de la capacité Kinesis.
Pour les développeurs
Laissez les développeurs expérimenter sans demander la permission.
De l’idée à l’application en production sans attendre personne. Testez, cassez, redéployez, le tout dans les limites que vous fixez.
- Déployez une image de conteneur ou un dépôt GitHub en quelques minutes
- Des applications en un clic depuis la galerie, des notebooks Jupyter aux LLM ouverts
- Endpoints HTTPS, DNS et équilibrage de charge intégrés
- Un terminal dans le navigateur, des logs et des métriques en direct pour chaque application
- Des volumes persistants, pour que les données survivent à un redéploiement
- Une API REST et un serveur MCP, pour que les scripts et les agents puissent aussi déployer
Pour les managers et la finance
Sachez où passe chaque heure-GPU.
Dépenses ventilées par projet et par application, utilisation par personne et prévision jusqu’à la fin du mois. Les factures et les exports horaires sont prêts pour la comptabilité dès le premier jour.
Authentification unique, rôles, authentification à deux facteurs et journal d’audit sont inclus d’office. Besoin d’un déploiement dédié ou entièrement privé ? Découvrez Kinesis Private
Votre Grid ne place jamais de charges de travail sur du matériel communautaire, sauf si vous choisissez Kinesis Batches.
Voir les tarifs de la Grid →À titre indicatif
Découvrez ce que font vraiment vos GPU.
Commencez par une évaluation en lecture seule de vos serveurs. Que vous alliez plus loin avec nous ou non, vous conservez les chiffres d’utilisation.