Com que les targetes gràfiques (vGPU NVIDIA) són un recurs de maquinari compartit i molt limitat a la plataforma, és imprescindible planificar-ne l’ús per evitar colls d’ampolla.

1. Accedir a Reserves: El docent (o l’alumne, depenent dels permisos) ha d’anar al tauler de “Reserves” (Bookings) d’IsardVDI.
2. Seleccionar l’equip: Es pot reservar l’ús de la GPU tant per a un escriptori individual com per a tot un desplegament (l’aula sencera) alhora.
3. Fixar l’horari: Es selecciona la franja horària i la durada de la reserva. Això garanteix que, a l’hora de la pràctica, l’escriptori arrencarà amb la targeta NVIDIA assignada i disposarà de tota l’acceleració gràfica

L’objectiu és proporcionar a l’alumnat un “laboratori a mida” ja preparat, estalviant temps d’instal·lació a classe i garantint un punt de partida homogeni per a tothom.

Primer, el docent prepara una plantilla mestra (tipus Windows 10/11 o Ubuntu) amb les eines d’IA necessàries (Jupyter Notebooks, Python, LM Studio).

A la configuració del maquinari de la plantilla, cal assegurar-se que el visor assignat sigui exclusivament el visor RDP, ja que és l’únic protocol compatible per aprofitar la potència de les targetes gràfiques vGPU.

Un cop la plantilla està llesta, es va a la pestanya de “Desplegaments” i es crea un “Nou desplegament”. S’assigna al grup-classe, es posa un nom identificatiu per a l’alumne i, molt important, es marca com a “Visible” perquè els estudiants el puguin veure

L’alumne actua com a usuari final, aprofitant el maquinari al núvol sense dependre de la potència del seu ordinador físic.

L’alumnat accedeix al seu escriptori virtual i l’arrenca. És obligatori que utilitzin el Client d’Escriptori Remot (RDP) per connectar-se.

Un cop a dins, obren els seus entorns (com Jupyter Notebooks) i comencen a programar i entrenar els seus models o agents.

Tota la càrrega de processament massiu (Machine Learning / Deep Learning) recaurà sobre l’acceleració gràfica de la màquina virtual d’IsardVDI