Microsoft ouvre le code de TauGrid, une infrastructure Kubernetes pour charges IA sur GPU
Microsoft a mis en open source TauGrid le 28 août 2026, sous licence MIT, via le dépôt Azure/taugrid sur GitHub. Développé par l'équipe d'ingénierie Azure Kubernetes Service (AKS), cet outil regroupe en une seule installation Helm cinq briques que les équipes de plateforme devaient auparavant assembler manuellement : la ligne de commande tau, la file d'attente et l'admission des charges de travail via Kueue, l'orchestration de clusters Ray via KubeRay, la surveillance de l'état des nœuds GPU, ainsi que l'observabilité du cluster et des workloads. Le déploiement nécessite un cluster Kubernetes en version 1.30 ou supérieure doté de nœuds GPU, ainsi que kubectl et Helm 3.0 ou plus récent. L'installation s'effectue directement depuis le Microsoft Container Registry avec la commande helm install pointant vers oci://mcr.microsoft.com/aks/ai-runtime/helm/taugrid, en version 0.4.2. Une charge de travail se décrit dans un fichier tau.yaml ; l'exemple publié par Microsoft montre un entraînement PyTorch sur un seul GPU A100. Lors de l'exécution de tau run, TauGrid applique les politiques de la plateforme, génère un Job Kubernetes ou un RayJob KubeRay, puis le soumet via Kueue, selon six étapes documentées : soumission, mise en file, exécution, surveillance, récupération et conservation des preuves.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cet outil répond à un problème concret pour les équipes qui font tourner de l'intelligence artificielle sur Kubernetes : elles jonglent habituellement avec un système de file d'attente, un runtime distribué, des vérifications de santé GPU, des tableaux de bord et des scripts de soumission maison. TauGrid sépare clairement les rôles : les équipes de plateforme gèrent les espaces de travail, les files d'attente, les profils de calcul, le stockage, l'identité et l'observabilité, tandis que les chercheurs soumettent leurs travaux depuis un dépôt de code et la CLI sans configurer Kubernetes eux-mêmes. Les enregistrements de preuves capturent métadonnées, configuration, journaux, métriques, points de contrôle et historique d'exécution, ce qui rend chaque run reproductible et auditable. Sur un cluster partagé entre plusieurs équipes, les tâches atterrissent dans une même ClusterQueue Kueue, où l'admission se fait selon les quotas et les priorités, avant que Kubernetes ne les place sur des GPU disponibles. Par défaut, aucune télémétrie n'est envoyée à Microsoft.
Cette publication s'inscrit dans la maturation de l'écosystème Kubernetes pour les charges de travail GPU, où des projets comme Kueue et KubeRay deviennent des standards de fait pour l'orchestration de l'IA à grande échelle. Certaines intégrations restent toutefois spécifiques à Azure, notamment l'observabilité via Azure Data Explorer, mais Microsoft affirme vouloir étendre TauGrid à tout cluster Kubernetes, cloud ou sur site, sans dépendance à Azure, et dit accueillir les contributions en ce sens. La CLI s'installe depuis GitHub Releases sur Linux et macOS, avec un installateur PowerShell pour Windows amd64 qui vérifie la somme de contrôle de la version sans modifier le PATH, un signe de l'attention portée à une adoption au-delà du seul environnement Azure.
Les équipes européennes exploitant des clusters Kubernetes sur Azure ou en local pourraient adopter cet outil open source pour simplifier l'orchestration de leurs charges IA sur GPU.