NVIDIA DGX Spark + n8n : automatiser vos workflows IA en local sans cloud (guide ops)

DGX Spark : matériel local optimisé pour l’IA

Le NVIDIA DGX Spark (F1-F5) est une plateforme conçue pour exécuter des modèles d’IA en local, sans dépendre du cloud. Voici ses capacités, **telles que documentées par NVIDIA** :

Spécifications techniques

Performances et limites

• Modèles supportés : Jusqu’à 100 milliards de paramètres sur un seul nœud (64GB), jusqu’à 200 milliards de paramètres (en clusterant deux unités, F2).
• Benchmark NVIDIA : Performance ×1,7 pour le modèle Qwen 3.8 27B en cluster (F2). Ce résultat est spécifique à ce modèle et à cette configuration (benchmark interne NVIDIA). Les performances varient selon la taille du contexte et le type de tâche.
• Clustering : Deux unités DGX Spark peuvent être connectées via un câble QSFP, avec configuration automatique du réseau via NVIDIA Sync Cluster Assistant (F3).
• Sécurité : Chiffrement matériel du stockage (SED, F6), mais le chiffrement des données en transit (ex. : entre n8n et le DGX Spark) doit être configuré manuellement via TLS (non inclus dans le matériel). Le dTPM est désactivé par défaut (F6).

Exemple : Déployer un modèle local avec Ollama

Le DGX Spark supporte des frameworks comme Ollama (**préinstallé par défaut sur DGX Spark**, F5), qui simplifie le déploiement de modèles locaux. Voici les étapes pour exécuter Qwen 3.8 27B (exemple basé sur le modèle testé par NVIDIA en F2) :

# Lancer le modèle Qwen 3.8 27B (Ollama est préinstallé)
ollama pull qwen:27b
ollama run qwen:27b

Une fois le modèle déployé, il est accessible via une API locale (ex. : http://localhost:11434/api/generate).

n8n : orchestrer vos workflows IA en local

n8n (F9-F12) est un outil d’automatisation open-source qui peut être auto-hébergé pour orchestrer des workflows IA sans dépendre du cloud. Voici comment le configurer :

Installation et configuration

n8n s’installe en une ligne via Docker (F12) :

curl -fsSL https://get.n8n.io | sh

Pour une configuration plus robuste (persistance, sécurité), utilisez Docker Compose avec PostgreSQL (F12) :

version: '3'
services:
  n8n:
    image: n8nio/n8n
    restart: always
    ports:
      - "5678:5678"
    environment:
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=<votre_utilisateur>
      - N8N_BASIC_AUTH_PASSWORD=<votre_mot_de_passe>
      - DB_TYPE=postgresdb
      - DB_POSTGRESDB_DATABASE=n8n
      - DB_POSTGRESDB_HOST=postgres
      - DB_POSTGRESDB_PORT=5432
      - DB_POSTGRESDB_USER=n8n
      - DB_POSTGRESDB_PASSWORD=<votre_mot_de_passe>
    volumes:
      - n8n_data:/home/node/.n8n
  postgres:
    image: postgres:13
    restart: always
    environment:
      - POSTGRES_USER=n8n
      - POSTGRES_PASSWORD=<votre_mot_de_passe>
      - POSTGRES_DB=n8n
    volumes:
      - postgres_data:/var/lib/postgresql/data
volumes:
  n8n_data:
  postgres_data:

Fonctionnalités clés pour les workflows IA

• Appels API : n8n permet d’intégrer des appels à des modèles locaux déployés sur le DGX Spark (F11).
• Déclencheurs : Déclencher des workflows via des événements (ex. : réception d’un email, upload d’un fichier).
• Outils personnalisés : Utiliser des outils comme Call n8n Workflow Tool pour appeler d’autres workflows (F11).
• Persistance : Stocker les données dans PostgreSQL pour éviter les pertes (F12).
• Sécurité : Configurer l’authentification basique et le chiffrement des volumes (F12).

Intégration DGX Spark + n8n : workflow concret

Aucune intégration native n’existe entre DGX Spark et n8n (limitation documentée). Voici comment les connecter manuellement pour un workflow de traitement de documents :

Scénario : Extraction de données depuis des factures PDF

1. Déployer un modèle local sur DGX Spark : Utilisez Ollama pour exécuter un modèle comme Qwen 3.8 27B (voir exemple ci-dessus).
2. Configurer n8n pour appeler le modèle : Utilisez le nœud HTTP Request pour envoyer des requêtes à l’API locale du modèle.
3. Automatiser le workflow : Déclenchez le workflow via un upload de fichier (ex. : nœud Watch Files), puis envoyez le contenu du PDF au modèle pour extraction.
4. Stocker les résultats : Utilisez un nœud PostgreSQL pour sauvegarder les données extraites.

Template n8n prêt à l’emploi

Voici un template JSON pour un workflow n8n qui traite des documents locaux avec un modèle déployé sur DGX Spark. Importez-le dans votre instance n8n via Workflow menu > Import from file :

{
  "nodes": [
    {
      "parameters": {
        "path": "/data/uploads",
        "options": {}
      },
      "name": "Watch Files",
      "type": "n8n-nodes-base.watchFiles",
      "typeVersion": 1,
      "position": [250, 300]
    },
    {
      "parameters": {
        "authentication": "none",
        "requestMethod": "POST",
        "url": "http://localhost:11434/api/generate",
        "options": {
          "bodyContentType": "json"
        },
        "bodyParametersJson": "={\n  \"model\": \"qwen:27b\",\n  \"prompt\": \"Extract the invoice number, date, and total amount from this text: {{ $json[\"fileContent\"] }}\",\n  \"stream\": false\n}"
      },
      "name": "HTTP Request to Local Model",
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 4,
      "position": [500, 300]
    },
    {
      "parameters": {
        "operation": "executeQuery",
        "query": "INSERT INTO extracted_data (invoice_number, date, total_amount) VALUES ('{{ $json[\"response\"][\"invoice_number\"] }}', '{{ $json[\"response\"][\"date\"] }}', '{{ $json[\"response\"][\"total_amount\"] }}');"
      },
      "name": "PostgreSQL",
      "type": "n8n-nodes-base.postgres",
      "typeVersion": 1,
      "position": [750, 300]
    }
  ],
  "connections": {
    "Watch Files": {
      "main": [[{
        "node": "HTTP Request to Local Model",
        "type": "main",
        "index": 0
      }]]
    },
    "HTTP Request to Local Model": {
      "main": [[{
        "node": "PostgreSQL",
        "type": "main",
        "index": 0
      }]]
    }
  }
}

Limites et prérequis techniques

• Pas d’intégration native : Vous devez configurer manuellement les appels API entre n8n et le DGX Spark (F11).
• Chiffrement des données : Le stockage DGX Spark est chiffré par défaut (SED, F6), mais le chiffrement des données en transit (ex. : entre n8n et le DGX Spark) doit être configuré manuellement via TLS.
• Performances : Les benchmarks NVIDIA (×1,7 en cluster) sont spécifiques au modèle Qwen 3.8 27B (F2). Testez vos modèles avant de scaler.
• Configuration manuelle : n8n en self-hosting nécessite une configuration pour la persistance (PostgreSQL), la sécurité (authentification, volumes chiffrés) et le monitoring (F12).
• Coûts opérationnels : Le prix du DGX Spark (4 999 $, F4) ne couvre pas les coûts de maintenance, d’électricité ou de refroidissement.

Comparaison : local vs cloud

Voici une comparaison des coûts et des performances pour un workflow de traitement de documents, basée sur les sources (F2, F4, F6) :

Recommandations pour les ops

1. Commencez par un déploiement minimal : Déployez un seul nœud DGX Spark (64GB) et testez vos workflows avant de scaler (F2).
2. Sécurisez les données : Activez le chiffrement des volumes (SED, F6) et configurez TLS pour les communications entre n8n et le DGX Spark.
3. Monitoring : Utilisez nvidia-smi et les outils de télémétrie du DGX Spark pour surveiller les performances (F8).
4. Persistance : Configurez PostgreSQL pour n8n afin d’éviter les pertes de données (F12).
5. Documentation : Documentez vos workflows et vos configurations pour faciliter la maintenance.

Ressources utiles

• Expertise Keerok : Automatisation no-code avec Make et Zapier (pour comparer avec d’autres outils).
• Guide : Implémenter l’IA en entreprise sans cloud (bonnes pratiques pour les ops).
• Hub : Automatisation no-code (Make, Zapier, n8n) (ressources complémentaires).
• Documentation n8n (pour configurer votre instance).
• Blog NVIDIA : DGX Spark (spécifications techniques, F1-F5).