113 lines
4.4 KiB
Markdown
113 lines
4.4 KiB
Markdown
# Local AI Inference Node (Ryzen 7 260 / Radeon 780M)
|
|
|
|
Un nodo di inferenza LLM/SLM self-hosted ad alte prestazioni, progettato per architetture AMD APU (Phoenix/Hawk Point) su Ubuntu 24.04 LTS. Il sistema è ottimizzato per fornire API ad alta velocità destinate a pipeline RAG (Retrieval-Augmented Generation), popolamento di Graph DB e integrazione fluida con piattaforme di automazione come n8n.
|
|
|
|
## 📐 Specifiche Tecniche (Spec-Driven)
|
|
|
|
* **Hardware Host:** AMD Ryzen 7 260 (8C/16T), 64GB RAM Condivisa, Radeon 780M iGPU.
|
|
* **Sistema Operativo:** Ubuntu 24.04 LTS (Kernel 6.8+).
|
|
* **Accelerazione:** ROCm con spoofing architetturale (`gfx1100`).
|
|
* **Motori di Inferenza:** * `vLLM` (compilato da sorgente) per throughput massimizzato su modelli generativi (es. Qwen 3.5 0.8B, Gemma 3 27B).
|
|
* `Ollama` per la gestione flessibile degli SLM di embedding (`embeddinggemma`).
|
|
* **Memoria:** Allocazione GTT statica a livello di kernel (56GB riservati alla iGPU, 8GB al sistema operativo).
|
|
|
|
## 🏛️ Filosofia Architetturale
|
|
|
|
Il progetto segue tre principi fondamentali per garantire stabilità in un ambiente non-Enterprise:
|
|
|
|
1. **Safety First:** Ambienti containerizzati strettamente isolati (`ipc: host`), filesystem in sola lettura per i pesi dei modelli, pre-allocazione conservativa della VRAM (`gpu-memory-utilization`) per prevenire l'intervento dell'OOM Killer.
|
|
2. **Little Often:** Suddivisione dei servizi. Modelli di embedding leggeri su un engine, modelli generativi pesanti su un altro. Build frammentate per isolare i problemi di compilazione dei kernel C++/HIP.
|
|
3. **Double Check:** Testing rigoroso (TDD) ad ogni stadio dell'implementazione. Verifica continua dell'allocazione GTT (`rocm-smi`) e del corretto spoofing dell'architettura AMD.
|
|
|
|
---
|
|
|
|
## 🛠️ Prerequisiti e Configurazione Host
|
|
|
|
Prima di avviare l'infrastruttura, l'host Linux deve essere preparato per l'accelerazione hardware.
|
|
|
|
### 1. Impostazioni BIOS
|
|
* `UMA Frame Buffer Size`: Impostato su **Auto** (lasciare la gestione dinamica al driver `amdgpu`).
|
|
|
|
### 2. Configurazione Kernel (GRUB)
|
|
Aggiungere i seguenti parametri in `/etc/default/grub` per stabilizzare l'iGPU ed espandere la Graphics Translation Table a 56GB:
|
|
|
|
```bash
|
|
GRUB_CMDLINE_LINUX_DEFAULT="quiet splash iommu=pt amdgpu.dc=1 amdgpu.bad_page_threshold=0 pcie_aspm=off amdgpu.gttsize=57344"
|
|
```
|
|
Applicare con: `sudo update-grub && sudo update-initramfs -u -k all`.
|
|
|
|
### 3. Permessi Utente
|
|
L'utente che esegue i container deve appartenere ai gruppi hardware:
|
|
```bash
|
|
sudo usermod -aG render $USER
|
|
sudo usermod -aG video $USER
|
|
```
|
|
|
|
---
|
|
|
|
## 🚀 Struttura del Progetto
|
|
|
|
```text
|
|
/opt/
|
|
├── models/ # Directory condivisa in sola lettura
|
|
│ ├── Qwen3.5-0.8B-UD-Q8_K_XL.gguf
|
|
│ └── ...
|
|
└── vllm-qwen3.5-0.8b/ # Stack di esecuzione vLLM
|
|
├── docker-compose.yml
|
|
├── Dockerfile
|
|
├── test_api.py
|
|
└── CHANGELOG.md
|
|
```
|
|
|
|
## 📦 Deployment
|
|
|
|
### 1. Build del Container vLLM (Custom ROCm)
|
|
L'immagine vLLM ufficiale non supporta nativamente la 780M. La compilazione dai sorgenti (`v0.6.3`) per `gfx1100` è gestita automaticamente dal Dockerfile.
|
|
|
|
Posizionarsi nella directory operativa e lanciare la build:
|
|
```bash
|
|
cd /opt/vllm-qwen3.5-0.8b
|
|
sudo docker compose up --build -d
|
|
```
|
|
*Nota: La compilazione dei kernel PagedAttention richiederà 15-30 minuti impegnando intensamente la CPU.*
|
|
|
|
### 2. Monitoraggio
|
|
Verificare che l'avvio e la profilazione della memoria vadano a buon fine:
|
|
```bash
|
|
sudo docker compose logs -f
|
|
```
|
|
|
|
---
|
|
|
|
## 🧪 Validazione e Test (TDD)
|
|
|
|
Per confermare che l'API sia operativa e conforme allo standard OpenAI, eseguire lo script di test integrato:
|
|
|
|
```bash
|
|
python3 /opt/vllm-qwen3.5-0.8b/test_api.py
|
|
```
|
|
Un output corretto indica che il modello è stato caricato nella VRAM pre-allocata ed è in grado di eseguire inferenza accelerata.
|
|
|
|
---
|
|
|
|
## 🔗 Integrazione n8n
|
|
|
|
Il server vLLM espone un endpoint standard OpenAI sulla porta `8000`.
|
|
In n8n, utilizzare il nodo **HTTP Request** con le seguenti specifiche:
|
|
|
|
* **Method:** `POST`
|
|
* **URL:** `http://<IP_LOCALE>:8000/v1/chat/completions`
|
|
* **Headers:** `Content-Type: application/json`
|
|
* **Body:**
|
|
```json
|
|
{
|
|
"model": "/app/models/Qwen3.5-0.8B-UD-Q8_K_XL.gguf",
|
|
"messages": [
|
|
{"role": "system", "content": "Sei un estrattore di entità per Graph DB."},
|
|
{"role": "user", "content": "{{$json.chunk_testo}}"}
|
|
],
|
|
"temperature": 0.1
|
|
}
|
|
```
|
|
|