Modèles et plateformes d’IA
AWS ajoute des extensions gérées aux clusters SageMaker HyperPod Slurm

Points clésLes extensions de cluster transforment le logiciel des nœuds en un état déclaré que…
Voir plus
- Les extensions de cluster transforment le logiciel des nœuds en un état déclaré que HyperPod valide et réconcilie en continu.
- Les administrateurs peuvent mettre à jour les paramètres ou les versions des extensions sans remplacer les nœuds ni réexécuter les scripts de cycle de vie.
- La migration des clusters existants nécessite la suppression manuelle des agents installés par script pendant une fenêtre de maintenance.
Amazon Web Services a lancé des extensions de cluster gérées pour Amazon SageMaker HyperPod Slurm le 20 novembre 2026. Elles apportent une configuration déclarative aux logiciels exécutés sur les nœuds en service, par le biais d’API ou de la console SageMaker AI. Les deux premières extensions couvrent l’observabilité et la gestion des utilisateurs, y compris l’intégration aux annuaires.
Ce lancement répond aux besoins de la partie d’un cluster partagé d’entraînement de l’IA qui évolue après le provisionnement. En 2026, HyperPod avait déjà ajouté la configuration de Slurm pilotée par API, la configuration des nœuds à partir d’AMI, le provisionnement continu, la gestion automatique de la topologie et des contrôles approfondis de l’état de santé. Ces fonctionnalités gèrent la définition du cluster, sa capacité, son architecture réseau et l’état de santé du matériel ; les extensions de cluster appliquent la même approche aux logiciels des nœuds, qui évoluent au gré des besoins des équipes de recherche, des exigences de surveillance et des versions des paquets.
État souhaité des logiciels des nœuds
Les administrateurs peuvent installer, configurer, mettre à jour et supprimer les paquets gérés par AWS depuis la console, l’AWS CLI ou un SDK. HyperPod valide les paramètres par rapport au schéma de la version d’extension sélectionnée avant son déploiement, puis enregistre la version et les paramètres demandés comme état souhaité. Un agent de nœud applique ensuite uniquement les composants requis par le rôle de chaque nœud, y compris sur les nœuds ajoutés lors d’une mise à l’échelle ou d’un remplacement.
Les mises à jour ne transmettent que les paramètres modifiés. HyperPod les fusionne avec la configuration enregistrée et ne redémarre que les composants concernés, sans remplacer les nœuds ni réexécuter les scripts de cycle de vie. Il est également possible d’installer de nouvelles versions d’extension sans mettre à jour l’AMI. Avant le déploiement, HyperPod vérifie la conformité des paramètres enregistrés au schéma de la nouvelle version, et les mises à niveau ne peuvent se faire que vers une version ultérieure.
Pendant le déploiement, chaque extension indique l’état Creating ou Updating ; elle indique Active lorsque tous les nœuds exécutent la configuration demandée sans qu’aucun problème ne soit signalé, et Degraded lorsque des nœuds échouent ou signalent des problèmes. DescribeClusterExtension regroupe les problèmes d’état de santé au niveau des nœuds par cause, avec un code, un message et le nombre de nœuds concernés. HyperPod réessaie automatiquement en cas de défaillance interne ; les administrateurs peuvent corriger les autres causes et relancer l’opération sur les nœuds concernés au moyen d’un appel de mise à jour ne contenant aucun changement de configuration.
Observabilité et gestion des utilisateurs
L’extension sagemaker-observability collecte des métriques sur les nœuds, les GPU, Elastic Fabric Adapter, les tâches Slurm et les clusters Slurm, puis les envoie à Amazon CloudWatch ou à Amazon Managed Service for Prometheus. Les catégories, les niveaux et les intervalles de collecte des métriques sont configurables, tandis que les nœuds n’exécutent que les composants correspondant à leur rôle, comme les exportateurs DCGM et EFA sur les nœuds équipés de GPU et les métriques de cluster Slurm sur le contrôleur.
Un espace de travail Amazon Managed Grafana facultatif ajoute des tableaux de bord Clusters et Jobs préconfigurés. Ceux-ci associent l’état de santé global du cluster et l’état de Slurm aux métriques d’infrastructure par nœud et à l’utilisation des ressources pour chaque tâche, notamment le processeur, la mémoire, l’utilisation du GPU, les entrées-sorties disque et les données NCCL.
L’extension sagemaker-user-management crée des utilisateurs et des groupes Linux dont les identifiants sont cohérents sur tous les nœuds, contrôle l’accès SSH et l’utilisation de sudo sans mot de passe selon le type de nœud, et inscrit les utilisateurs dans la comptabilité de Slurm. Les comptes peuvent être déclarés localement, provenir d’Active Directory via LDAPS, ou combiner les deux options, y compris avec des connexions à AWS Directory Service for Microsoft Active Directory. Les nœuds nouveaux ou de remplacement reçoivent la même configuration, et les administrateurs peuvent vérifier les accès par l’intermédiaire de l’API au lieu de se connecter à chaque nœud.
Migration, autorisations et coûts
Les extensions de cluster nécessitent un cluster HyperPod Slurm utilisant l’AMI HyperPod du 2 novembre 2026 ou une version ultérieure, avec le provisionnement continu activé. Comme les extensions exécutent les logiciels en tant qu’administrateur (root), AWS considère les autorisations de création, de mise à jour et de suppression comme des autorisations d’administrateur et déconseille de les accorder au rôle d’exécution du cluster. Ce rôle doit tout de même pouvoir accéder aux destinations des métriques et aux secrets d’Active Directory, tandis que la gestion des utilisateurs nécessite un système de fichiers partagé pour les répertoires personnels. Des ARN d’extension distincts permettent aux équipes chargées de la plateforme et de la surveillance de gérer des extensions différentes.
Les clusters existants peuvent migrer une fonctionnalité à la fois, tout en faisant coexister scripts et extensions. La procédure consiste à mettre à jour le logiciel du cluster, à désactiver la fonctionnalité concernée dans les scripts de cycle de vie, à supprimer manuellement les agents installés par script pendant une fenêtre de maintenance, puis à créer l’extension sur le cluster nettoyé. Chaque composant doit relever d’un seul responsable : gérer le même exportateur, utilisateur ou service par les deux mécanismes peut entraîner des conflits d’installation ou d’exécution. Les AMI personnalisées et les scripts de cycle de vie restent disponibles pour les logiciels propres à chaque organisation, et les administrateurs conservent l’accès SSH et la possibilité de configurer directement chaque nœud, y compris le contrôleur.
Les deux extensions sont disponibles dans toutes les Régions où SageMaker HyperPod est pris en charge. Les extensions de cluster n’entraînent aucuns frais supplémentaires, mais les clients paient les ressources sous-jacentes, telles que CloudWatch, Amazon Managed Service for Prometheus et AWS Secrets Manager.
Pour les clusters partagés de modèles de fondation, cela signifie, sur le plan opérationnel, que les logiciels communs aux nœuds deviennent un élément déclaré et vérifié en continu de l’état du cluster, au lieu de relever d’un ensemble de scripts de provisionnement. La suppression des agents installés par script constitue l’unique étape manuelle de migration à l’échelle du parc ; ensuite, les opérations de mise à l’échelle et les nœuds de remplacement héritent des mêmes paramètres d’extension, tandis que les outils propres à l’organisation restent sous le contrôle de l’équipe du cluster.












