1. एक निजी AI सर्वर क्यों बनाएं?
OpenAI, Anthropic, या Google जैसे तृतीय-पक्ष AI API को संवेदनशील डेटा भेजना ऐसे जोखिम पैदा करता है जिन्हें कई संगठन स्वीकार नहीं कर सकते। एक निजी AI सर्वर डेटा के हर बाइट को आपके नियंत्रण में रखता है — ऐसे हार्डवेयर पर जिसका आप स्वामित्व रखते हैं या विशेष रूप से किराए पर लेते हैं — शून्य बाहरी API कॉल के साथ।
डेटा संप्रभुता
आपके प्रॉम्प्ट, दस्तावेज़, और मॉडल आउटपुट कभी आपके बुनियादी ढांचे को नहीं छोड़ते। कोई तृतीय-पक्ष लॉगिंग नहीं, आपके डेटा पर कोई प्रशिक्षण नहीं, आपके द्वारा नियंत्रित न किए जाने वाले API एंडपॉइंट के माध्यम से डेटा लीक का कोई जोखिम नहीं।
नियामक अनुपालन
AI प्रोसेसिंग को अपनी डेटा सीमा के भीतर रखकर GDPR, HIPAA, SOC 2, और उद्योग-विशिष्ट अनुपालन आवश्यकताओं को पूरा करें। कोई सीमा-पार डेटा स्थानांतरण चिंता नहीं।
लागत पूर्वानुमेयता
उपयोग की परवाह किए बिना निश्चित मासिक लागत। कोई प्रति-टोकन बिलिंग आश्चर्य नहीं, कोई अचानक रेट लिमिट परिवर्तन नहीं, API प्रदाताओं से कोई मूल्य वृद्धि नहीं। एक फ्लैट दर पर 24/7 असीमित इन्फरेंस चलाएं।
कोई रेट लिमिट नहीं
जितने अनुरोध आपका हार्डवेयर संभाल सकता है उतने संसाधित करें। कोई टोकन-प्रति-मिनट सीमा नहीं, प्रदाता की ओर से कोई अनुरोध कतार नहीं, पीक घंटों के दौरान कोई घटा हुआ प्रदर्शन नहीं।
क्लाउड API का जोखिम: जब आप किसी क्लाउड AI प्रदाता को डेटा भेजते हैं, तो आप नियंत्रण खो देते हैं। संविदात्मक गारंटी के बावजूद, आपका डेटा उन नेटवर्कों से गुज़रता है जिन्हें आप प्रबंधित नहीं करते, उन सर्वरों पर रहता है जिन्हें आप नियंत्रित नहीं करते, और प्रदाता की सुरक्षा स्थिति के अधीन होता है। विनियमित उद्योगों — स्वास्थ्य सेवा, वित्त, कानूनी, रक्षा — के लिए, यह अक्सर एक अस्वीकार्य स्थिति होती है।
Mac Mini M4 क्यों? Apple Silicon की यूनिफाइड मेमोरी आर्किटेक्चर आपको एक ही डिवाइस पर 7B-70B पैरामीटर मॉडल चलाने देती है जो 15W से कम पावर खपत करता है। M4 की मेमोरी बैंडविड्थ (120 GB/s तक) मॉडल वेट को GPU तक कुशलता से पहुंचाती है, जो 7B मॉडल के लिए 30-40 टोकन/सेकंड देती है — रीयल-टाइम चैट के लिए पर्याप्त तेज़। समर्पित हार्डवेयर के लिए $85/माह से शुरू होकर, यह एक निजी AI सर्वर बनाने का सबसे लागत-प्रभावी तरीका है।
2. आर्किटेक्चर अवलोकन
निजी AI सर्वर स्टैक में पांच परतें होती हैं, प्रत्येक आपके Mac Mini M4 पर स्थानीय रूप से चलती है। किसी बाहरी सेवा की आवश्यकता नहीं है।
सिस्टम आर्किटेक्चर
# Port mapping summary for the full stack:
#
# Port 443 - nginx (HTTPS, public-facing)
# Port 80 - nginx (HTTP, redirects to HTTPS)
# Port 11434 - Ollama (LLM inference, internal only)
# Port 3000 - Open WebUI (chat interface, proxied via nginx)
# Port 8000 - RAG API (FastAPI, proxied via nginx)
# Port 8200 - ChromaDB (vector database, internal only)
# Port 51820 - WireGuard VPN (optional, for remote access)
3. चरण 1: सर्वर सेटअप
अपने Mac Mini M4 को प्रोविज़न करके और सुरक्षित दूरस्थ एक्सेस कॉन्फ़िगर करके शुरू करें। यदि आप My Remote Mac का उपयोग कर रहे हैं, तो SSH एक्सेस बॉक्स से बाहर ही प्रदान किया जाता है।
SSH कॉन्फ़िगरेशन
# Connect to your Mac Mini M4 via SSH
ssh admin@your-mac-mini.myremotemac.com
# Generate an SSH key pair (if you don't have one)
ssh-keygen -t ed25519 -C "ai-server-admin" -f ~/.ssh/id_ai_server
# Copy your public key to the server
ssh-copy-id -i ~/.ssh/id_ai_server.pub admin@your-mac-mini.myremotemac.com
# Configure SSH client for easier access
cat <<EOF >> ~/.ssh/config
Host ai-server
HostName your-mac-mini.myremotemac.com
User admin
IdentityFile ~/.ssh/id_ai_server
ForwardAgent no
ServerAliveInterval 60
ServerAliveCountMax 3
EOF
# Now connect with just:
ssh ai-server
सिस्टम अपडेट और तैयारी
# Update macOS to latest version
sudo softwareupdate --install --all --agree-to-license
# Install Homebrew (package manager)
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
# Install essential tools
brew install wget curl jq htop python@3.12 git
# Create a dedicated directory for AI services
mkdir -p ~/ai-server/{models,data,logs,config}
mkdir -p ~/ai-server/rag/{documents,vectorstore}
# Set up Python virtual environment for AI tools
python3.12 -m venv ~/ai-server/venv
source ~/ai-server/venv/bin/activate
pip install --upgrade pip setuptools wheel
एक समर्पित सेवा उपयोगकर्ता बनाएं (वैकल्पिक)
# Create a dedicated user for AI services (principle of least privilege)
sudo dscl . -create /Users/aiservice
sudo dscl . -create /Users/aiservice UserShell /bin/zsh
sudo dscl . -create /Users/aiservice RealName "AI Service Account"
sudo dscl . -create /Users/aiservice UniqueID 550
sudo dscl . -create /Users/aiservice PrimaryGroupID 20
sudo dscl . -create /Users/aiservice NFSHomeDirectory /Users/aiservice
sudo mkdir -p /Users/aiservice
sudo chown aiservice:staff /Users/aiservice
# Grant access to the AI server directory
sudo chown -R aiservice:staff ~/ai-server
4. चरण 2: Ollama और मॉडल इंस्टॉल करें
Ollama आपके निजी AI सर्वर की रीढ़ है। यह मॉडल डाउनलोड, क्वांटाइज़ेशन प्रबंधित करता है, और एक OpenAI-संगत API प्रदान करता है — सब कुछ शून्य बाहरी कॉल के साथ स्थानीय रूप से चलता है।
Ollama इंस्टॉल करें
# Download and install Ollama
curl -fsSL https://ollama.com/install.sh | sh
# Verify installation
ollama --version
# ollama version 0.5.4
# Start the Ollama server (runs on localhost:11434 by default)
ollama serve &
विभिन्न उपयोग के मामलों के लिए मॉडल पुल करें
# General-purpose assistant (recommended starting point)
ollama pull llama3:8b # 4.7 GB - fits 16GB RAM
# Instruction-following and reasoning
ollama pull mistral:7b # 4.1 GB - excellent for RAG
# Code generation and analysis
ollama pull codellama:7b # 3.8 GB - code-specific model
ollama pull codellama:13b # 7.4 GB - better code quality (needs 24GB)
# Embedding model for RAG pipeline
ollama pull nomic-embed-text # 274 MB - text embeddings
# Verify all models are downloaded
ollama list
# NAME SIZE MODIFIED
# llama3:8b 4.7 GB 2 minutes ago
# mistral:7b 4.1 GB 5 minutes ago
# codellama:7b 3.8 GB 8 minutes ago
# nomic-embed-text 274 MB 10 minutes ago
# Test a model interactively
ollama run llama3:8b "What are the benefits of self-hosted AI?"
Ollama को एक स्थायी सेवा के रूप में कॉन्फ़िगर करें
# Create a launchd plist for Ollama to start on boot
cat <<'EOF' > ~/Library/LaunchAgents/com.ollama.server.plist
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN"
"http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
<key>Label</key>
<string>com.ollama.server</string>
<key>ProgramArguments</key>
<array>
<string>/usr/local/bin/ollama</string>
<string>serve</string>
</array>
<key>EnvironmentVariables</key>
<dict>
<key>OLLAMA_HOST</key>
<string>127.0.0.1:11434</string>
<key>OLLAMA_KEEP_ALIVE</key>
<string>-1</string>
<key>OLLAMA_NUM_PARALLEL</key>
<string>4</string>
</dict>
<key>RunAtLoad</key>
<true/>
<key>KeepAlive</key>
<true/>
<key>StandardOutPath</key>
<string>/Users/admin/ai-server/logs/ollama.log</string>
<key>StandardErrorPath</key>
<string>/Users/admin/ai-server/logs/ollama-error.log</string>
</dict>
</plist>
EOF
# Load the service
launchctl load ~/Library/LaunchAgents/com.ollama.server.plist
# Verify Ollama is running
curl -s http://localhost:11434/api/tags | jq '.models[].name'
# "llama3:8b"
# "mistral:7b"
# "codellama:7b"
# "nomic-embed-text"
महत्वपूर्ण: ध्यान दें कि OLLAMA_HOST को 127.0.0.1:11434 (केवल localhost) पर सेट किया गया है। यह सुनिश्चित करता है कि Ollama नेटवर्क से सीधे पहुंच योग्य नहीं है। सभी बाहरी एक्सेस चरण 5 में कॉन्फ़िगर किए गए nginx रिवर्स प्रॉक्सी के माध्यम से जाएगी।
5. चरण 3: एक RAG पाइपलाइन बनाएं
Retrieval-Augmented Generation (RAG) आपके AI को आपके अपने दस्तावेज़ों — कंपनी विकी, कानूनी अनुबंध, तकनीकी दस्तावेज़ीकरण — के आधार पर प्रश्नों का उत्तर देने देता है, उस डेटा में से कुछ भी किसी क्लाउड प्रदाता को भेजे बिना। यहां हम ChromaDB और LangChain के साथ एक संपूर्ण RAG पाइपलाइन बनाते हैं।
निर्भरताएं इंस्टॉल करें
# Activate the virtual environment
source ~/ai-server/venv/bin/activate
# Install RAG pipeline dependencies
pip install \
langchain==0.1.20 \
langchain-community==0.0.38 \
langchain-chroma==0.1.0 \
chromadb==0.4.24 \
sentence-transformers==2.7.0 \
pypdf==4.2.0 \
docx2txt==0.8 \
fastapi==0.111.0 \
uvicorn==0.29.0 \
python-multipart==0.0.9 \
pydantic==2.7.1
दस्तावेज़ इंजेशन पाइपलाइन
# ~/ai-server/rag/ingest.py
"""
Document ingestion pipeline for the private RAG system.
Loads PDFs, DOCX, and text files, splits them into chunks,
generates embeddings via Ollama, and stores them in ChromaDB.
"""
import os
import sys
from pathlib import Path
from langchain_community.document_loaders import (
PyPDFLoader,
Docx2txtLoader,
TextLoader,
DirectoryLoader,
)
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import OllamaEmbeddings
from langchain_chroma import Chroma
# Configuration
DOCUMENTS_DIR = os.path.expanduser("~/ai-server/rag/documents")
VECTORSTORE_DIR = os.path.expanduser("~/ai-server/rag/vectorstore")
OLLAMA_BASE_URL = "http://localhost:11434"
EMBEDDING_MODEL = "nomic-embed-text"
CHUNK_SIZE = 1000
CHUNK_OVERLAP = 200
def load_documents(directory: str):
"""Load all supported document types from a directory."""
documents = []
path = Path(directory)
# Load PDFs
for pdf_file in path.glob("**/*.pdf"):
loader = PyPDFLoader(str(pdf_file))
documents.extend(loader.load())
print(f" Loaded: {pdf_file.name} ({len(loader.load())} pages)")
# Load DOCX files
for docx_file in path.glob("**/*.docx"):
loader = Docx2txtLoader(str(docx_file))
documents.extend(loader.load())
print(f" Loaded: {docx_file.name}")
# Load text files
for txt_file in path.glob("**/*.txt"):
loader = TextLoader(str(txt_file))
documents.extend(loader.load())
print(f" Loaded: {txt_file.name}")
# Load markdown files
for md_file in path.glob("**/*.md"):
loader = TextLoader(str(md_file))
documents.extend(loader.load())
print(f" Loaded: {md_file.name}")
return documents
def create_vectorstore(documents):
"""Split documents into chunks and store embeddings in ChromaDB."""
# Split documents into chunks
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=CHUNK_SIZE,
chunk_overlap=CHUNK_OVERLAP,
length_function=len,
separators=["\n\n", "\n", ". ", " ", ""],
)
chunks = text_splitter.split_documents(documents)
print(f"\nSplit {len(documents)} documents into {len(chunks)} chunks")
# Create embeddings using Ollama (runs locally!)
embeddings = OllamaEmbeddings(
model=EMBEDDING_MODEL,
base_url=OLLAMA_BASE_URL,
)
# Store in ChromaDB
vectorstore = Chroma.from_documents(
documents=chunks,
embedding=embeddings,
persist_directory=VECTORSTORE_DIR,
collection_name="private_docs",
)
print(f"Stored {len(chunks)} chunks in ChromaDB at {VECTORSTORE_DIR}")
return vectorstore
if __name__ == "__main__":
print("=== Private RAG Document Ingestion ===\n")
print(f"Loading documents from: {DOCUMENTS_DIR}")
docs = load_documents(DOCUMENTS_DIR)
print(f"\nTotal documents loaded: {len(docs)}")
if not docs:
print("No documents found. Add files to ~/ai-server/rag/documents/")
sys.exit(1)
print("\nCreating vector store...")
create_vectorstore(docs)
print("\nIngestion complete!")
RAG क्वेरी API
# ~/ai-server/rag/api.py
"""
RAG Query API - FastAPI service for document Q&A.
Retrieves relevant chunks from ChromaDB and generates
answers using Ollama. Everything runs locally.
"""
from fastapi import FastAPI, UploadFile, File, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel
from typing import Optional, List
import os
import shutil
from langchain_community.embeddings import OllamaEmbeddings
from langchain_chroma import Chroma
from langchain_community.llms import Ollama
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
# Configuration
VECTORSTORE_DIR = os.path.expanduser("~/ai-server/rag/vectorstore")
DOCUMENTS_DIR = os.path.expanduser("~/ai-server/rag/documents")
OLLAMA_BASE_URL = "http://localhost:11434"
EMBEDDING_MODEL = "nomic-embed-text"
LLM_MODEL = "mistral:7b"
app = FastAPI(
title="Private RAG API",
description="Self-hosted document Q&A with zero cloud dependencies",
version="1.0.0",
)
app.add_middleware(
CORSMiddleware,
allow_origins=["*"],
allow_methods=["*"],
allow_headers=["*"],
)
# Initialize components
embeddings = OllamaEmbeddings(
model=EMBEDDING_MODEL,
base_url=OLLAMA_BASE_URL,
)
vectorstore = Chroma(
persist_directory=VECTORSTORE_DIR,
embedding_function=embeddings,
collection_name="private_docs",
)
llm = Ollama(
model=LLM_MODEL,
base_url=OLLAMA_BASE_URL,
temperature=0.3,
num_ctx=4096,
)
# Custom prompt template
PROMPT_TEMPLATE = """Use the following context to answer the question.
If you cannot find the answer in the context, say "I don't have enough
information in the provided documents to answer this question."
Context:
{context}
Question: {question}
Answer:"""
prompt = PromptTemplate(
template=PROMPT_TEMPLATE,
input_variables=["context", "question"],
)
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vectorstore.as_retriever(
search_type="similarity",
search_kwargs={"k": 4},
),
chain_type_kwargs={"prompt": prompt},
return_source_documents=True,
)
class QueryRequest(BaseModel):
question: str
model: Optional[str] = "mistral:7b"
num_results: Optional[int] = 4
class QueryResponse(BaseModel):
answer: str
sources: List[dict]
model: str
@app.post("/query", response_model=QueryResponse)
async def query_documents(request: QueryRequest):
"""Query your private documents using RAG."""
try:
result = qa_chain.invoke({"query": request.question})
sources = [
{
"content": doc.page_content[:200] + "...",
"source": doc.metadata.get("source", "unknown"),
"page": doc.metadata.get("page", None),
}
for doc in result.get("source_documents", [])
]
return QueryResponse(
answer=result["result"],
sources=sources,
model=request.model,
)
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
@app.post("/upload")
async def upload_document(file: UploadFile = File(...)):
"""Upload a document for ingestion into the RAG pipeline."""
allowed_types = [".pdf", ".docx", ".txt", ".md"]
ext = os.path.splitext(file.filename)[1].lower()
if ext not in allowed_types:
raise HTTPException(
status_code=400,
detail=f"Unsupported file type. Allowed: {allowed_types}",
)
file_path = os.path.join(DOCUMENTS_DIR, file.filename)
with open(file_path, "wb") as buffer:
shutil.copyfileobj(file.file, buffer)
return {"message": f"Uploaded {file.filename}", "path": file_path}
@app.get("/health")
async def health_check():
"""Health check endpoint."""
return {"status": "healthy", "model": LLM_MODEL, "vectorstore": "chromadb"}
# Run: uvicorn api:app --host 127.0.0.1 --port 8000 --workers 2
RAG पाइपलाइन चलाएं
# Step 1: Add your documents
cp /path/to/your/documents/*.pdf ~/ai-server/rag/documents/
cp /path/to/your/documents/*.docx ~/ai-server/rag/documents/
# Step 2: Run ingestion
cd ~/ai-server/rag
python ingest.py
# === Private RAG Document Ingestion ===
# Loading documents from: /Users/admin/ai-server/rag/documents
# Loaded: company-handbook.pdf (45 pages)
# Loaded: api-documentation.md
# Loaded: compliance-policy.docx
# Total documents loaded: 47
# Split 47 documents into 312 chunks
# Stored 312 chunks in ChromaDB
# Step 3: Start the RAG API server
uvicorn api:app --host 127.0.0.1 --port 8000 --workers 2 &
# Step 4: Test with a query
curl -s http://localhost:8000/query \
-H "Content-Type: application/json" \
-d '{"question": "What is our company vacation policy?"}' | jq .
# {
# "answer": "According to the company handbook, employees receive...",
# "sources": [...],
# "model": "mistral:7b"
# }
6. चरण 4: Open WebUI परिनियोजित करें
Open WebUI आपके स्थानीय मॉडल के साथ अन्तरक्रिया के लिए एक परिष्कृत ChatGPT-जैसा इंटरफ़ेस प्रदान करता है। यह सीधे Ollama से जुड़ता है और वार्तालाप, इमेज जनरेशन, और दस्तावेज़ अपलोड का समर्थन करता है — सब कुछ आपके Mac Mini पर निजी रूप से चलता है।
Docker इंस्टॉल करें
# Install Docker Desktop for Mac (Apple Silicon native)
brew install --cask docker
# Start Docker Desktop
open -a Docker
# Verify Docker is running
docker --version
# Docker version 26.1.0, build 9714adc
docker compose version
# Docker Compose version v2.27.0
Open WebUI के लिए Docker Compose
# ~/ai-server/docker-compose.yml
version: '3.8'
services:
open-webui:
image: ghcr.io/open-webui/open-webui:main
container_name: open-webui
restart: unless-stopped
ports:
- "127.0.0.1:3000:8080"
environment:
# Connect to Ollama running on the host
- OLLAMA_BASE_URL=http://host.docker.internal:11434
# Disable telemetry and external connections
- ENABLE_SIGNUP=false
- ENABLE_COMMUNITY_SHARING=false
- WEBUI_AUTH=true
- WEBUI_SECRET_KEY=your-strong-secret-key-change-this
# Data privacy settings
- ENABLE_OPENAI_API=false
- ENABLE_OLLAMA_API=true
- SAFE_MODE=true
volumes:
- open-webui-data:/app/backend/data
extra_hosts:
- "host.docker.internal:host-gateway"
# Optional: ChromaDB as a persistent service
chromadb:
image: chromadb/chroma:latest
container_name: chromadb
restart: unless-stopped
ports:
- "127.0.0.1:8200:8000"
volumes:
- chromadb-data:/chroma/chroma
environment:
- IS_PERSISTENT=TRUE
- ANONYMIZED_TELEMETRY=FALSE
volumes:
open-webui-data:
chromadb-data:
लॉन्च और कॉन्फ़िगर करें
# Start the services
cd ~/ai-server
docker compose up -d
# Check that containers are running
docker compose ps
# NAME STATUS PORTS
# open-webui Up 2 minutes 127.0.0.1:3000->8080/tcp
# chromadb Up 2 minutes 127.0.0.1:8200->8000/tcp
# View logs
docker compose logs -f open-webui
# Open WebUI is now accessible at http://localhost:3000
# On first visit, create an admin account (this account is local only)
# Verify Ollama connectivity from Open WebUI
curl -s http://localhost:3000/api/config | jq '.ollama'
# To update Open WebUI later:
docker compose pull && docker compose up -d
गोपनीयता नोट: Open WebUI को ENABLE_OPENAI_API=false और ENABLE_COMMUNITY_SHARING=false के साथ कॉन्फ़िगर किया गया है ताकि यह सुनिश्चित हो कि कोई डेटा बाहरी सेवाओं को न भेजा जाए। ENABLE_SIGNUP=false सेटिंग अनधिकृत उपयोगकर्ताओं को खाते बनाने से रोकती है। सभी वार्तालाप स्थानीय रूप से Docker वॉल्यूम में संग्रहीत होते हैं।
7. चरण 5: nginx के साथ API गेटवे
nginx सभी सेवाओं के लिए एकल प्रवेश बिंदु के रूप में कार्य करता है। यह SSL/TLS समाप्ति, रेट लिमिटिंग, प्रमाणीकरण को संभालता है, और ट्रैफ़िक को Ollama, Open WebUI, और RAG API की ओर रूट करता है।
nginx इंस्टॉल और कॉन्फ़िगर करें
# Install nginx
brew install nginx
# Generate a self-signed SSL certificate (or use Let's Encrypt)
mkdir -p ~/ai-server/config/ssl
openssl req -x509 -nodes -days 365 -newkey rsa:2048 \
-keyout ~/ai-server/config/ssl/server.key \
-out ~/ai-server/config/ssl/server.crt \
-subj "/CN=ai-server.local/O=Private AI/C=US"
nginx कॉन्फ़िगरेशन
# /opt/homebrew/etc/nginx/nginx.conf
worker_processes auto;
error_log /Users/admin/ai-server/logs/nginx-error.log;
events {
worker_connections 1024;
}
http {
include mime.types;
default_type application/octet-stream;
# Logging
access_log /Users/admin/ai-server/logs/nginx-access.log;
# Rate limiting zones
limit_req_zone $binary_remote_addr zone=api:10m rate=30r/m;
limit_req_zone $binary_remote_addr zone=chat:10m rate=60r/m;
limit_req_zone $binary_remote_addr zone=upload:10m rate=5r/m;
# Connection limits
limit_conn_zone $binary_remote_addr zone=addr:10m;
# SSL settings
ssl_protocols TLSv1.2 TLSv1.3;
ssl_ciphers HIGH:!aNULL:!MD5;
ssl_prefer_server_ciphers on;
ssl_session_cache shared:SSL:10m;
ssl_session_timeout 10m;
# Security headers
add_header X-Frame-Options DENY always;
add_header X-Content-Type-Options nosniff always;
add_header X-XSS-Protection "1; mode=block" always;
add_header Strict-Transport-Security "max-age=31536000; includeSubDomains" always;
add_header Content-Security-Policy "default-src 'self'" always;
# Redirect HTTP to HTTPS
server {
listen 80;
server_name ai-server.local;
return 301 https://$host$request_uri;
}
# Main HTTPS server
server {
listen 443 ssl;
server_name ai-server.local;
ssl_certificate /Users/admin/ai-server/config/ssl/server.crt;
ssl_certificate_key /Users/admin/ai-server/config/ssl/server.key;
# Client body size limit (for document uploads)
client_max_body_size 50M;
# Open WebUI (chat interface)
location / {
limit_req zone=chat burst=20 nodelay;
limit_conn addr 10;
proxy_pass http://127.0.0.1:3000;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header X-Forwarded-Proto $scheme;
# WebSocket support for streaming
proxy_http_version 1.1;
proxy_set_header Upgrade $http_upgrade;
proxy_set_header Connection "upgrade";
proxy_read_timeout 300s;
}
# Ollama API (for programmatic access)
location /ollama/ {
limit_req zone=api burst=10 nodelay;
limit_conn addr 5;
# Basic auth for API access
auth_basic "Private AI API";
auth_basic_user_file /Users/admin/ai-server/config/.htpasswd;
rewrite ^/ollama/(.*) /$1 break;
proxy_pass http://127.0.0.1:11434;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_read_timeout 300s;
}
# RAG API
location /rag/ {
limit_req zone=api burst=10 nodelay;
limit_conn addr 5;
auth_basic "Private AI API";
auth_basic_user_file /Users/admin/ai-server/config/.htpasswd;
rewrite ^/rag/(.*) /$1 break;
proxy_pass http://127.0.0.1:8000;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_read_timeout 120s;
}
# Document upload endpoint
location /rag/upload {
limit_req zone=upload burst=3 nodelay;
auth_basic "Private AI API";
auth_basic_user_file /Users/admin/ai-server/config/.htpasswd;
rewrite ^/rag/(.*) /$1 break;
proxy_pass http://127.0.0.1:8000;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
}
# Health check (no auth required)
location /health {
proxy_pass http://127.0.0.1:8000/health;
}
# Deny access to hidden files
location ~ /\. {
deny all;
}
}
}
प्रमाणीकरण सेट करें और प्रारंभ करें
# Install htpasswd utility
brew install httpd
# Create API credentials
htpasswd -c ~/ai-server/config/.htpasswd api-user
# Enter a strong password when prompted
# Test nginx configuration
nginx -t
# nginx: configuration file /opt/homebrew/etc/nginx/nginx.conf test is successful
# Start nginx
brew services start nginx
# Test HTTPS access
curl -k https://localhost/health
# {"status": "healthy", "model": "mistral:7b", "vectorstore": "chromadb"}
# Test API access with authentication
curl -k -u api-user:your-password \
https://localhost/ollama/api/tags | jq '.models[].name'
# Test RAG query through nginx
curl -k -u api-user:your-password \
https://localhost/rag/query \
-H "Content-Type: application/json" \
-d '{"question": "What is our data retention policy?"}'
8. सुरक्षा हार्डनिंग
एक निजी AI सर्वर उतना ही सुरक्षित है जितना उसका सबसे कमज़ोर प्रवेश बिंदु। यह अनुभाग एक गहन-रक्षा सुरक्षा स्थिति बनाने के लिए फ़ायरवॉल कॉन्फ़िगरेशन, SSH हार्डनिंग, VPN एक्सेस, और घुसपैठ पहचान को कवर करता है।
pf के साथ macOS फ़ायरवॉल
# ~/ai-server/config/pf.rules
#
# Packet Filter rules for private AI server
# Only allow SSH, HTTPS, and WireGuard VPN from outside
# Define macros
ext_if = "en0"
vpn_if = "utun1"
# Default: block everything
block all
# Allow loopback traffic
pass quick on lo0 all
# Allow established connections
pass in quick on $ext_if proto tcp from any to any flags A/A
# Allow SSH (port 22) - restrict to known IPs if possible
pass in on $ext_if proto tcp from any to any port 22
# Allow HTTPS (port 443) through nginx
pass in on $ext_if proto tcp from any to any port 443
# Allow HTTP (port 80) for redirect to HTTPS
pass in on $ext_if proto tcp from any to any port 80
# Allow WireGuard VPN (port 51820)
pass in on $ext_if proto udp from any to any port 51820
# Allow all traffic on VPN interface
pass on $vpn_if all
# Allow all outbound traffic
pass out on $ext_if all
# Block everything else inbound (implicit from "block all")
# Internal services (11434, 3000, 8000, 8200) are NOT exposed
# --- Load these rules ---
# sudo pfctl -f ~/ai-server/config/pf.rules
# sudo pfctl -e # Enable pf
# sudo pfctl -sr # Show active rules
केवल-SSH-कुंजी प्रमाणीकरण
# Harden SSH configuration
# Edit /etc/ssh/sshd_config (requires sudo)
# Disable password authentication (key-only)
PasswordAuthentication no
ChallengeResponseAuthentication no
UsePAM no
# Disable root login
PermitRootLogin no
# Only allow specific users
AllowUsers admin
# Use strong key exchange algorithms
KexAlgorithms curve25519-sha256,curve25519-sha256@libssh.org
HostKeyAlgorithms ssh-ed25519,rsa-sha2-512,rsa-sha2-256
Ciphers chacha20-poly1305@openssh.com,aes256-gcm@openssh.com
# Reduce login grace time and max attempts
LoginGraceTime 30
MaxAuthTries 3
MaxSessions 5
# Disable unused features
X11Forwarding no
AllowTcpForwarding no
AllowAgentForwarding no
# Restart SSH
# sudo launchctl stop com.openssh.sshd
# sudo launchctl start com.openssh.sshd
सुरक्षित दूरस्थ एक्सेस के लिए WireGuard VPN
# Install WireGuard
brew install wireguard-tools
# Generate server keys
wg genkey | tee ~/ai-server/config/wg-server-private.key | \
wg pubkey > ~/ai-server/config/wg-server-public.key
# Generate client keys
wg genkey | tee ~/ai-server/config/wg-client-private.key | \
wg pubkey > ~/ai-server/config/wg-client-public.key
# Server configuration
cat <<EOF > ~/ai-server/config/wg0.conf
[Interface]
PrivateKey = $(cat ~/ai-server/config/wg-server-private.key)
Address = 10.66.66.1/24
ListenPort = 51820
PostUp = echo "WireGuard started"
PostDown = echo "WireGuard stopped"
[Peer]
# Client 1 - Your workstation
PublicKey = $(cat ~/ai-server/config/wg-client-public.key)
AllowedIPs = 10.66.66.2/32
PersistentKeepalive = 25
EOF
# Client configuration (copy to your workstation)
cat <<EOF > ~/ai-server/config/wg-client.conf
[Interface]
PrivateKey = $(cat ~/ai-server/config/wg-client-private.key)
Address = 10.66.66.2/24
DNS = 1.1.1.1
[Peer]
PublicKey = $(cat ~/ai-server/config/wg-server-public.key)
Endpoint = your-mac-mini.myremotemac.com:51820
AllowedIPs = 10.66.66.0/24
PersistentKeepalive = 25
EOF
# Start WireGuard on the server
sudo wg-quick up ~/ai-server/config/wg0.conf
# Verify connection
sudo wg show
# interface: utun1
# public key:
# listening port: 51820
#
# peer:
# allowed ips: 10.66.66.2/32
लॉगिन प्रयास निगरानी (fail2ban समकक्ष)
# ~/ai-server/scripts/monitor-ssh.sh
#!/bin/bash
# Simple SSH brute-force detection and blocking for macOS
# Run via cron every 5 minutes
LOG_FILE="/var/log/system.log"
BLOCK_THRESHOLD=5
BLOCK_FILE="$HOME/ai-server/config/blocked_ips.txt"
# Find IPs with failed SSH attempts in the last 10 minutes
failed_ips=$(log show --predicate 'process == "sshd" AND eventMessage CONTAINS "Failed"' \
--last 10m 2>/dev/null | \
grep -oE '([0-9]{1,3}\.){3}[0-9]{1,3}' | \
sort | uniq -c | sort -rn)
echo "$failed_ips" | while read count ip; do
if [ "$count" -ge "$BLOCK_THRESHOLD" ] && [ -n "$ip" ]; then
# Check if already blocked
if ! grep -q "$ip" "$BLOCK_FILE" 2>/dev/null; then
echo "$(date): Blocking $ip ($count failed attempts)" >> ~/ai-server/logs/security.log
echo "$ip" >> "$BLOCK_FILE"
# Add pf block rule
echo "block in quick from $ip to any" | sudo pfctl -f - -a "blocked/$ip" 2>/dev/null
fi
fi
done
# Make executable and add to crontab:
# chmod +x ~/ai-server/scripts/monitor-ssh.sh
# crontab -e
# */5 * * * * ~/ai-server/scripts/monitor-ssh.sh
सुरक्षा चेकलिस्ट:
- केवल-SSH-कुंजी प्रमाणीकरण सक्षम, पासवर्ड अक्षम
- सभी AI सेवाएं केवल localhost (127.0.0.1) से बंधी
- nginx एकमात्र सार्वजनिक-सामना करने वाली सेवा है (पोर्ट 80/443)
- pf फ़ायरवॉल सभी गैर-आवश्यक इनबाउंड ट्रैफ़िक को अवरुद्ध करता है
- सुरक्षित दूरस्थ प्रशासन के लिए WireGuard VPN
- सभी API एंडपॉइंट पर रेट लिमिटिंग
- Ollama और RAG API एंडपॉइंट पर बेसिक प्रमाणीकरण
- स्वचालित ब्रूट-फोर्स पहचान और IP अवरोधन
- सभी प्रतिक्रियाओं पर सुरक्षा हेडर (HSTS, CSP, X-Frame-Options)
9. लागत विश्लेषण
एक निजी AI सर्वर के लिए सबसे सम्मोहक तर्क लागत है। क्लाउड AI API प्रति टोकन शुल्क लेते हैं, और बड़े पैमाने पर लागत तेज़ी से बढ़ती है। एक Mac Mini M4 एक निश्चित मासिक दर पर असीमित इन्फरेंस प्रदान करता है।
OpenAI API बनाम निजी Mac Mini M4
तुलना GPT-3.5-Turbo मूल्य निर्धारण ($0.50/1M इनपुट टोकन, $1.50/1M आउटपुट टोकन) बनाम Llama 3 8B चलाने वाले एक समर्पित Mac Mini M4 को मानती है। औसत अनुरोध: 500 इनपुट टोकन + 300 आउटपुट टोकन।
| मासिक अनुरोध | OpenAI API लागत | Mac Mini M4 लागत | बचत |
|---|---|---|---|
| 1,000 | $0.70 | $85 | -$74.30 (API cheaper) |
| 10,000 | $7.00 | $85 | -$68.00 (API cheaper) |
| 100,000 | $70.00 | $85 | ~Break-even |
| 500,000 | $350.00 | $85 | $275 (79% savings) |
| 1,000,000 | $700.00 | $85 | $625 (89% savings) |
GPT-4 स्तर की तुलना
GPT-4-स्तर की गुणवत्ता के लिए, GPT-4-Turbo ($10/1M इनपुट, $30/1M आउटपुट) बनाम Llama 3 70B चलाने वाले Mac Mini M4 Pro 48GB की तुलना करें।
| मासिक अनुरोध | GPT-4 Turbo लागत | Mac Mini M4 Pro लागत | बचत |
|---|---|---|---|
| 10,000 | $140.00 | $179 | ~Break-even |
| 100,000 | $1,400.00 | $179 | $1,221 (87% savings) |
| 1,000,000 | $14,000.00 | $179 | $13,821 (99% savings) |
लागत से परे: एक निजी AI सर्वर का वास्तविक मूल्य केवल वित्तीय बचत नहीं है। यह वेंडर निर्भरता का उन्मूलन, डेटा गोपनीयता की गारंटी, और API बिलिंग की चिंता किए बिना पुनरावृत्ति करने की स्वतंत्रता है। चाहे आप 100 अनुरोध चलाएं या 10 मिलियन, आपकी लागत स्थिर रहती है।
10. स्केलिंग
एक एकल Mac Mini M4 एक 7B मॉडल के लिए 2-4 समवर्ती अनुरोध संभाल सकता है। जब आपको अधिक थ्रूपुट की आवश्यकता हो या मॉडल विशेषज्ञता चाहते हों, तो कई Mac Mini के साथ क्षैतिज रूप से स्केलिंग करना सीधा है।
मल्टी-नोड आर्किटेक्चर
नोड 1: सामान्य चैट
Mac Mini M4 16GB
सामान्य-उद्देश्य वार्तालाप, ग्राहक सहायता, और कंटेंट जनरेशन के लिए Llama 3 8B।
$85/mo
नोड 2: कोड असिस्टेंट
Mac Mini M4 24GB
कोड जनरेशन, समीक्षा, और रिफैक्टरिंग कार्यों के लिए CodeLlama 13B।
$95/mo
नोड 3: RAG और तर्क
Mac Mini M4 Pro 48GB
जटिल दस्तावेज़ विश्लेषण, कानूनी अनुसंधान, और गहन तर्क कार्यों के लिए Llama 3 70B।
$179/mo
nginx के साथ लोड बैलेंसिंग
# nginx upstream configuration for multi-node load balancing
# Define upstream groups by model type
upstream ollama_general {
# Round-robin across general chat nodes
server 10.66.66.10:11434; # Node 1
server 10.66.66.11:11434; # Node 1 replica (if needed)
keepalive 8;
}
upstream ollama_code {
server 10.66.66.20:11434; # Node 2 - Code models
keepalive 4;
}
upstream ollama_reasoning {
server 10.66.66.30:11434; # Node 3 - Large models
keepalive 4;
}
# Model routing based on request path
server {
listen 443 ssl;
server_name ai-cluster.local;
# Route general chat requests
location /v1/chat/ {
proxy_pass http://ollama_general;
proxy_read_timeout 300s;
}
# Route code generation requests
location /v1/code/ {
proxy_pass http://ollama_code;
proxy_read_timeout 300s;
}
# Route reasoning/analysis requests
location /v1/reasoning/ {
proxy_pass http://ollama_reasoning;
proxy_read_timeout 600s;
}
}
मॉडल रूटिंग स्क्रिप्ट
# ~/ai-server/scripts/model_router.py
"""
Intelligent model router that directs requests to the appropriate
Mac Mini node based on the requested model and current load.
"""
from fastapi import FastAPI, Request
import httpx
import asyncio
app = FastAPI()
NODES = {
"general": {
"url": "http://10.66.66.10:11434",
"models": ["llama3:8b", "mistral:7b"],
},
"code": {
"url": "http://10.66.66.20:11434",
"models": ["codellama:7b", "codellama:13b"],
},
"reasoning": {
"url": "http://10.66.66.30:11434",
"models": ["llama3:70b", "mixtral:8x7b"],
},
}
def get_node_for_model(model: str) -> str:
"""Find which node hosts the requested model."""
for node_name, config in NODES.items():
if model in config["models"]:
return config["url"]
# Default to general node
return NODES["general"]["url"]
@app.post("/v1/chat/completions")
async def route_chat(request: Request):
body = await request.json()
model = body.get("model", "llama3:8b")
target_url = get_node_for_model(model)
async with httpx.AsyncClient(timeout=300) as client:
response = await client.post(
f"{target_url}/v1/chat/completions",
json=body,
)
return response.json()
@app.get("/v1/models")
async def list_all_models():
"""Aggregate model lists from all nodes."""
all_models = []
async with httpx.AsyncClient(timeout=10) as client:
for node_name, config in NODES.items():
try:
resp = await client.get(f"{config['url']}/api/tags")
models = resp.json().get("models", [])
for m in models:
m["node"] = node_name
all_models.extend(models)
except Exception:
pass
return {"models": all_models}
# Run: uvicorn model_router:app --host 0.0.0.0 --port 8080
11. अक्सर पूछे जाने वाले प्रश्न
यदि मैं हार्डवेयर किराए पर लेता हूं तो क्या एक स्व-होस्ट किया गया AI सर्वर वास्तव में निजी है?
हां। जब आप My Remote Mac से एक समर्पित Mac Mini किराए पर लेते हैं, तो आपको भौतिक हार्डवेयर तक विशेष एक्सेस मिलता है। कोई अन्य ग्राहक आपकी मशीन साझा नहीं करता। सभी डेटा आपके सर्वर के SSD पर संग्रहीत होता है, विश्राम अवस्था में एन्क्रिप्टेड। SSH कुंजियां सुनिश्चित करती हैं कि केवल आपके पास एक्सेस है। जब आप अपनी सदस्यता समाप्त करते हैं, तो ड्राइव सुरक्षित रूप से मिटा दी जाती है। यह साझा क्लाउड VM से मौलिक रूप से भिन्न है जहां अन्य किरायेदार उसी भौतिक होस्ट पर चलते हैं।
क्या मैं इस सेटअप के साथ GDPR और HIPAA अनुपालन पूरा कर सकता हूं?
एक निजी AI सर्वर GDPR (डेटा आपके नियंत्रण में रहता है, सहमति के बिना कोई तृतीय-पक्ष प्रोसेसिंग नहीं) और HIPAA (PHI क्लाउड AI प्रदाताओं को प्रेषित नहीं किया जाता) की मुख्य तकनीकी आवश्यकताओं को संबोधित करता है। हालांकि, पूर्ण अनुपालन के लिए संगठनात्मक नियंत्रण, ऑडिट लॉगिंग, एन्क्रिप्शन नीतियां, और संभवतः आपके होस्टिंग प्रदाता के साथ एक BAA की भी आवश्यकता होती है। इस सेटअप को तकनीकी नींव के रूप में उपयोग करें और संपूर्ण तस्वीर के लिए अपनी अनुपालन टीम के साथ काम करें।
स्थानीय मॉडल की गुणवत्ता GPT-4 या Claude की तुलना में कैसी है?
विशिष्ट, सुपरिभाषित कार्यों (दस्तावेज़ Q&A, कोड जनरेशन, सारांशीकरण, वर्गीकरण) के लिए, Llama 3 8B और Mistral 7B जैसे ओपन-सोर्स मॉडल GPT-3.5 गुणवत्ता का 85-95% प्राप्त करते हैं। Llama 3 70B कई बेंचमार्क पर GPT-4 गुणवत्ता के करीब पहुंचता है। RAG पाइपलाइन के साथ गुणवत्ता का अंतर और कम हो जाता है, जहां सही संदर्भ प्राप्त करना कच्ची मॉडल क्षमता से अधिक मायने रखता है। सामान्य रचनात्मक लेखन या जटिल बहु-चरणीय तर्क के लिए, फ्रंटियर क्लाउड मॉडल के पास अभी भी बढ़त है।
यदि सर्वर बंद हो जाए तो क्या होगा?
सभी सेवाएं KeepAlive (launchd के माध्यम से Ollama) और restart: unless-stopped (Docker कंटेनर) के साथ कॉन्फ़िगर की गई हैं। यदि Mac Mini रीबूट होता है, तो सभी सेवाएं स्वचालित रूप से पुनरारंभ होती हैं। उत्पादन वर्कलोड के लिए, उच्च उपलब्धता हेतु nginx लोड बैलेंसिंग के साथ दो Mac Mini चलाने पर विचार करें। My Remote Mac बुनियादी ढांचे में 24/7 निगरानी और रिडंडेंट पावर तथा नेटवर्क कनेक्टिविटी शामिल है।
क्या मैं इस सेटअप को Cursor, Continue.dev, या VS Code जैसे मौजूदा टूल के साथ उपयोग कर सकता हूं?
बिल्कुल। चूंकि Ollama एक OpenAI-संगत API प्रदान करता है, कोई भी टूल जो एक OpenAI एंडपॉइंट से जुड़ सकता है, आपके निजी सर्वर का उपयोग कर सकता है। Cursor या Continue.dev में, अपने बेसिक प्रमाणीकरण क्रेडेंशियल के साथ API बेस URL को https://your-server/ollama/v1 की ओर इंगित करें। Continue, Cody, और Tabby जैसे VS Code एक्सटेंशन सभी कस्टम एंडपॉइंट का समर्थन करते हैं। आपका कोड कभी आपके सर्वर को नहीं छोड़ता।
जब नए संस्करण जारी होते हैं तो मैं मॉडल कैसे अपडेट करूं?
मॉडल अपडेट करना एक ही कमांड है: ollama pull llama3:8b नवीनतम संस्करण डाउनलोड करेगा। पुराना संस्करण तब तक रखा जाता है जब तक आप उसे ollama rm के साथ स्पष्ट रूप से हटा नहीं देते। आप नए मॉडल संस्करणों का मौजूदा संस्करणों के साथ-साथ परीक्षण कर सकते हैं और अपने API कॉल या nginx कॉन्फ़िगरेशन में मॉडल नाम अपडेट करके शून्य डाउनटाइम के साथ उत्पादन में स्विच कर सकते हैं।
मॉडल लाइसेंसिंग के बारे में क्या? क्या मैं Llama 3 का व्यावसायिक रूप से उपयोग कर सकता हूं?
Llama 3 को Meta Llama 3 Community License के तहत जारी किया गया है जो 700 मिलियन से कम मासिक सक्रिय उपयोगकर्ताओं वाले संगठनों के लिए व्यावसायिक उपयोग की अनुमति देता है। Mistral मॉडल Apache 2.0 लाइसेंस (पूर्णतः अनुमेय) के तहत जारी किए जाते हैं। CodeLlama, Llama 2 Community License का पालन करता है। आप जो भी मॉडल परिनियोजित करते हैं, उसके लिए हमेशा विशिष्ट लाइसेंस जांचें, लेकिन अधिकांश व्यवसायों के लिए, ये मॉडल उत्पादन में स्वतंत्र रूप से उपयोग करने योग्य हैं।
संबंधित गाइड
Mac Mini M4 पर LLM चलाएं
Ollama, llama.cpp, और MLX के साथ Llama, Mistral, और Phi चलाने के लिए विस्तृत गाइड। बेंचमार्क शामिल हैं।
CoreML परिनियोजन गाइड
अनुकूलित उत्पादन इन्फरेंस के लिए समर्पित Mac Mini M4 सर्वरों पर CoreML मॉडल परिनियोजित करें।
AI के लिए Mac Mini M4 बनाम NVIDIA GPU
AI वर्कलोड के लिए Apple Silicon और NVIDIA के बीच विस्तृत प्रदर्शन और लागत तुलना।
AI और ML क्लाउड अवलोकन
AI और मशीन लर्निंग वर्कलोड के लिए Mac Mini क्लाउड बुनियादी ढांचे का अवलोकन।
अपना निजी AI सर्वर बनाएं
एक समर्पित Mac Mini M4 प्राप्त करें और पूर्ण डेटा गोपनीयता के साथ LLM चलाएं। कोई क्लाउड API नहीं, कोई प्रति-टोकन बिलिंग नहीं, कोई वेंडर लॉक-इन नहीं। $85/माह से।