NVIDIA vs AMD GPU poslužitelji: kako odabrati pravu platformu za vaše radno opterećenje

50

0

čitati 33 min.

Kada su u pitanju GPU poslužitelji, NVIDIA i AMD dva su vodeća dobavljača. Oba nude moćna rješenja za računalne radne opterećenja visokog intenziteta, uključujući umjetnu inteligenciju (AI), strojno učenje, znanstveno računarstvo i visokoučinkovito računarstvo (HPC).

Iako su GPU poslužitelji dizajnirani za ubrzavanje paralelnog računanja, platforme AMD i NVIDIA značajno se razlikuju u nekoliko područja, uključujući arhitekturu GPU-a, kapacitet memorije, softverski ekosustav, skalabilnost, performanse i troškove. Te razlike izravno utječu na to koja je platforma prikladnija za određeno radno opterećenje.

Kao pružatelj infrastrukture na razini poduzeća, INTROSERV nudi prilagodljive namjenske GPU poslužitelje za računalna radna opterećenja visokog intenziteta i visokih performansi, kao što su umjetna inteligencija, strojno učenje, renderiranje, znanstveno računarstvo i HPC.

U ovom članku uspoređujemo GPU poslužitelje NVIDIA i AMD, ispitujemo prednosti i ograničenja svake platforme te objašnjavamo za koje su slučajeve upotrebe najprikladnije. Cilj nije odrediti univerzalnog pobjednika, već pokazati zašto pravi izbor ovisi o specifičnom radnom opterećenju i zahtjevima infrastrukture.

Brzi odgovor: odaberite NVIDIA kada vam je potreban zreo ekosustav CUDA, široka kompatibilnost i jednostavno implementiranje. Razmislite o AMD kada su kapacitet memorije GPU-a i ukupni trošak glavna ograničenja, a vaš softverski stog može se unaprijed potvrditi za kompatibilnost s ROCm.

Kako vaše radno opterećenje određuje pravi GPU poslužitelj

Različite vrste radnih opterećenja ovise o različitim karakteristikama GPU-a. Neka zahtijevaju više VRAM-a, dok se druga više oslanjaju na propusnost memorije ili broj tenzorskih jezgri:

• Aplikacije za razgovor: niska latencija i visoka propusnost memorije;
• Obrada dokumenata: dovoljno VRAM-a za dugi kontekst i velike pakete;
• Pretraživanje i dohvaćanje informacija: propusnost i kapacitet memorije za ugradnje (embeddings) i indekse;
• Zadaci zaključivanja i inferencije: propusnost memorije i VRAM za duge izlaze.

Isto načelo vrijedi i za radna opterećenja izvan umjetne inteligencije. GPU poslužitelj koji dobro radi za treniranje ili inferenciju modela možda neće uvijek biti najbolji izbor za 3D renderiranje, obradu videa, znanstveno računarstvo i druga računalna radna opterećenja visokog intenziteta s GPU-om.

I NVIDIA i AMD nude moćna rješenja s GPU-om, ali pri odabiru poslužitelja važno je uzeti u obzir više od samo ukupnih performansi. Ostali ključni čimbenici uključuju:

• Kompatibilnost sa softverom i okvirima (frameworks);
• Kapacitet i specifikacije memorije GPU-a;
• Skalabilnost u konfiguracijama s više GPU-ova;
• Učinkovitost za specifičnu vrstu radnog opterećenja;
• Zahtjevi infrastrukture i implementacije;
• Ukupni trošak rješenja i omjer cijene i performansi.

NVIDIA je često preferirani izbor za radna opterećenja umjetne inteligencije i strojnog učenja zahvaljujući zrelom softverskom ekosustavu, širokoj podršci za popularne okvire i snažnoj kompatibilnosti s AI aplikacijama.

Jedna od ključnih prednosti tvrtke je CUDA, NVIDIA-ina vlasnička softverska platforma, koja je duboko integrirana u mnoge AI okvire, knjižnice i alate za razvoj.

Visokoučinkoviti GPU-ovi poput NVIDIA H100 i B200 dizajnirani su za velika AI radna opterećenja, uključujući treniranje modela i druge računalno zahtjevne zadatke.

Dodatne prednosti NVIDIA uključuju zrele upravljačke programe, opsežnu dokumentaciju i dobro razvijen softverski stog, što općenito olakšava implementaciju i kontinuirano upravljanje.

AMD ima prednost u radnim opterećenjima gdje je kapacitet memorije GPU-a glavno usko grlo. Ubrzivači Instinct nude više HBM memorije po kartici od mnogih usporedivih rješenja, što omogućuje da se veći modeli i skupovi podataka smjeste u memoriju jednog GPU-a bez raspodjele na više kartica. To može pojednostaviti i smanjiti troškove inferencije za već trenirane modele, jer isti model može zahtijevati manje GPU-ova, što smanjuje trošak po zahtjevu. MI300X je dobar primjer ovog pristupa, ali isto načelo vrijedi za cijelu liniju Instinct.

Glavni ograničavajući čimbenik za AMD obično je softverski ekosustav. Platforma ROCm brzo se razvija, ali u nekim slučajevima njezina postavka i potvrda kompatibilnosti mogu zahtijevati više vremena i inženjerskih resursa u usporedbi sa zrelijim okruženjem CUDA.

Iz tog razloga, izbor između NVIDIA i AMD ne bi se trebao temeljiti samo na marki. NVIDIA ima prednost kada su glavni prioriteti zreo softverski ekosustav, široka kompatibilnost i treniranje modela velikih razmjera. AMD može biti privlačnija kada su ključna ograničenja kapacitet memorije GPU-a i ukupni trošak rješenja.

Ne postoji univerzalno najbolja GPU platforma. Optimalan izbor ovisi o specifičnom radnom opterećenju, bilo da je riječ o treniranju AI modela, inferenciji, obradi dokumenata, pretraživanju i dohvaćanju informacija, zadacima zaključivanja ili renderiranju složenih scena.

Dalje ćemo detaljnije ispitati ove scenarije i objasniti koje su karakteristike GPU poslužitelja najvažnije za svaku vrstu radnog opterećenja. To će pomoći razjasniti gdje NVIDIA ima prednost, gdje AMD može ponuditi bolju vrijednost i zašto odabir GPU poslužitelja uvijek treba započeti analizom specifičnog zadatka.

Ključne razlike između GPU poslužitelja NVIDIA i AMD

NVIDIA i AMD nude moćne GPU platforme za umjetnu inteligenciju, strojno učenje, znanstveno računarstvo i HPC. Međutim, postoje primjetne razlike između njih u arhitekturi, softverskoj podršci, performansama, troškovima i integraciji s infrastrukturom u oblaku.

Arhitektura GPU-a: Hopper, Blackwell i CDNA

NVIDIA ne dijeli svoje arhitekture na zasebne grafičke i računalne linije: jedna generacija pokriva oba segmenta. Blackwell je osnova i za ubrzivače podatkovnih centara B200 i B300 i za profesionalne kartice RTX PRO 6000. Ono što ih razlikuje je dizajn samog ubrzivača: vrsta memorije, podrška za računanje niske preciznosti i prisutnost međusobne veze NVLink. NVIDIA također ima čistu granu za podatkovne centre: Hopper, koji pokreće H100 i H200.

AMD uglavnom koristi arhitekture RDNA i CDNA. RDNA je prvenstveno usmjerena na grafička radna opterećenja, dok je CDNA dizajnirana posebno za podatkovne centre, AI i HPC. Ubrzivači AMD Instinct izravno se natječu s NVIDIA-inim poslužiteljskim GPU-ovima i izgrađeni su za zahtjevne računalne zadatke visokog intenziteta.

Važna napomena: AMD i NVIDIA koriste različite arhitektonske pristupe. NVIDIA stavlja veći naglasak na računalnu učinkovitost i radna opterećenja mješovite preciznosti, dok se AMD više fokusira na veliki kapacitet memorije i paralelnu obradu podataka.

Softverski ekosustav: CUDA protiv ROCm

CUDA je NVIDIA-ina vlasnička platforma, dok je ROCm AMD-ova platforma otvorenog koda. U praksi, međutim, ključna razlika nije u modelu licenciranja, već u tome koliko dodatnog rada može biti potrebno prije nego što se projekt može implementirati.

PyTorch i TensorFlow službeno podržavaju obje platforme. Međutim, velik dio koda i mnoge knjižnice u ekosustavu strojnog učenja razvijaju se s CUDA-om kao zadanom metom, pa je vjerojatnije da će tipičan projekt raditi na NVIDIA-i bez izmjena. ROCm pruža programski model HIP, koji omogućuje prenošenje CUDA koda, ali migracija i dalje zahtijeva provjeru kompatibilnosti specifičnih knjižnica i verzija okvira.

Još jedna praktična razlika je širina podrške za hardver i sustav. CUDA radi u cijeloj liniji NVIDIA GPU-ova, uključujući potrošačke GPU-ove. ROCm službeno podržava ograničeniji raspon ubrzivača i distribucija Linuxa, stoga popis kompatibilnosti treba pažljivo provjeriti prije odabira hardvera.

Zanimljiva točka: AMD zauzima otvoreniji pristup, dok je NVIDIA-in ekosustav CUDA vlasnički. Unatoč tome, NVIDIA i dalje drži snažnu poziciju među programerima, ne samo zbog svog hardvera, već i zbog dugogodišnjih ulaganja i razvoja svog softverskog ekosustava.

Performanse i memorija: H200 protiv MI300X

Obje platforme ubrzavaju matrične izračune pomoću namjenskih hardverskih blokova: NVIDIA koristi tenzorske jezgre, dok AMD koristi matrične jezgre CDNA. Prisutnost ove vrste ubrzanja sama po sebi više nije značajan diferencijator, pa se usporedba treba usredotočiti na specifične metrike performansi.

Glavna razlika je u memoriji. H200 SXM dolazi sa 141 GB HBM3e memorije i propusnošću memorije od 4,8 TB/s, dok MI300X nudi 192 GB HBM3 i 5,3 TB/s. Tih dodatnih 51 GB može odrediti hoće li model stati na jedan ubrzivač ili ga treba podijeliti na više GPU-ova.

Druga razlika leži u performansama u različitim vrstama izračuna. U dvostrukoj preciznosti, MI300X je ocijenjen na 81,7 TFLOPS, dok H200 SXM isporučuje 34 TFLOPS u standardnom FP64 načinu i 67 TFLOPS korištenjem tenzorskih jezgri, što znači da prednost AMD-a ovisi o tome koji se način uspoređuje. Pri nižoj preciznosti razlika je manja: 5,2 PFLOPS naspram 3.958 TFLOPS u FP8, pri čemu oba broja uzimaju u obzir rijetkost (sparsity).

Imajte na umu da donja tablica navodi brojke MI300X FP16/BF16 i FP8 u gustom načinu, a brojke H200 SXM s rijetkošću, stoga usporedite usporedive podatke prije donošenja zaključaka.

Ukupni trošak vlasništva (TCO) GPU poslužitelja

Ni NVIDIA ni AMD ne objavljuju cjenike za ubrzivače podatkovnih centara. Ti se proizvodi obično isporučuju putem partnera, a konačni trošak ovisi o konfiguraciji cijelog sustava. Iz tog razloga, ima više smisla uspoređivati čimbenike koji oblikuju ukupne troškove tijekom cijelog životnog ciklusa, a ne samo cijenu samog GPU-a.

Prvi čimbenik je broj GPU-ova potrebnih za radno opterećenje. Kapacitet memorije određuje koliko je ubrzivača potrebno za smještanje modela: 96 GB na RTX PRO 6000 Max-Q, 141 GB na H200 i 192 GB na MI300X. Manje GPU-ova može značiti manje poslužitelja, manje mrežnih priključaka i niže troškove za pomoćnu infrastrukturu i softverske licence.

Drugi čimbenik je potrošnja energije, koja izravno utječe na troškove smještaja (colocation) i rada: 300 W za RTX PRO 6000 Max-Q, do 700 W za H200 i 750 W za MI300X. Tijekom nekoliko godina rada, razlika između 300 W i 750 W po GPU-u može postati značajna u usporedbi s početnim troškovima hardvera.

Treći čimbenik je inženjersko vrijeme. Ako je projekt već izgrađen oko CUDA-e, njegova migracija na ROCm može zahtijevati dodatnu provjeru knjižnica i verzija okvira. Taj se rad plaća inženjerskim satima, a ne pojavljuje se izravno na računu za hardver.

Integracija s infrastrukturom u oblaku i poslužitelju

NVIDIA ima snažnu prisutnost među pružateljima oblaka i infrastrukture. Njezin ekosustav uključuje alate za razvoj, spremnike, unaprijed konfigurirane okvire i AI softver koji pojednostavljuju implementaciju i upravljanje GPU-ovima.

AMD također aktivno širi svoju prisutnost u okruženjima u oblaku i podatkovnim centrima, prvenstveno kroz svoju liniju proizvoda Instinct i platformu ROCm. Njezin pristup otvorenog koda čini AMD sve privlačnijom za tvrtke koje traže alternativu infrastrukturi temeljenoj na CUDA-i.

Tehnički savjet: Poslužitelj koji se na prvi pogled čini jeftinijim može na kraju koštati više ako kasnije otkrijete da model ne stane u memoriju jednog GPU-a i zahtijeva dva, ili da je kritična knjižnica dostupna samo za CUDA. Vrijedi i obrnuto: plaćanje premije za vrhunski GPU ima malo smisla ako je radno opterećenje ograničeno propusnošću memorije, a ne sirovim računalnim performansama.
Iz tog razloga, odluka se ne bi trebala temeljiti na marki, već na četiri čimbenika: specifičnom modelu GPU-a, verzijama okvira i knjižnica, podržanom operativnom sustavu i metodi implementacije. Ako se barem jedan od ovih čimbenika ne provjeri unaprijed, ušteda na hardveru može se brzo nadoknaditi dodatnim inženjerskim satima.

NVIDIA prednosti: Zreo ekosustav i široka AI podrška

Jedna od glavnih prednosti NVIDIA-e je njezin zreo softverski ekosustav. CUDA se široko koristi u AI industriji, pa su mnoge knjižnice, alati za optimizaciju, resursi za obuku, spremnici i proizvodni sustavi od početka dizajnirani s NVIDIA GPU-ovima na umu. Kao rezultat toga, razvojni timovi obično mogu pronaći provjerene vodiče za instalaciju, detaljnu dokumentaciju i gotova rješenja za uobičajene probleme implementacije.

Platforma podržava glavne okvire, uključujući PyTorch, TensorFlow i JAX. Također se integrira s knjižnicama unaprijed treniranih modela, Kubernetes alatima, sustavima za nadzor i korporativnim AI platformama. NVIDIA-in softverski stog za duboko učenje kombinira CUDA knjižnice, cuDNN i druge alate koji pomažu aplikacijama da učinkovito koriste resurse GPU-a.

Za inferenciju, NVIDIA nudi TensorRT, koji pomaže u optimizaciji podržanih modela za smanjenje latencije i povećanje propusnosti. Njegovi alati za kompajliranje i izvođenje pojednostavljuju prijelaz s treniranog modela na proizvodnu uslugu. Više informacija dostupno je u dokumentaciji TensorRT-a.

Zreli upravljački programi i knjižnice također su važni jer vrijeme postavljanja izravno utječe na troškove projekta. Inženjerski timovi mogu provesti dane rješavajući probleme povezane s nekompatibilnim upravljačkim programima, verzijama okvira, jezgrama ili ovisnostima. Širi ekosustav podrške NVIDIA-e pomaže u smanjenju tih izazova, posebno kada se koriste unaprijed izgrađeni Docker spremnici i potvrđene slike u oblaku.

U sustavima s više GPU-ova, još jedna prednost može biti NVLink, tehnologija visokobrzinske međusobne veze između GPU-ova. U podržanim konfiguracijama omogućuje bržu razmjenu podataka od standardnog PCIe-a, što je posebno važno kada više GPU-ova radi zajedno na istom modelu. Međutim, stvarna korist od NVLinka ovisi o generaciji GPU-a, arhitekturi poslužitelja, softverskom okruženju i karakteristikama radnog opterećenja.

U praksi, NVIDIA-ina prednost često se mjeri ne samo sirovim performansama GPU-a, već i inženjerskim vremenom ušteđenim tijekom implementacije, optimizacije i kontinuiranog rada.

AMD prednosti: Kapacitet memorije i performanse Instinct-a

AMD Instinct GPU-ovi mogu pružiti velike količine memorije GPU-a i snažne računalne performanse za podržana AI radna opterećenja. To je posebno korisno kada se model, paket ili skup podataka ne uklapa u GPU s manje VRAM-a. Veći kapacitet memorije također može smanjiti potrebu za agresivnom kvantizacijom ili složenim particioniranjem modela na više GPU-ova.

AMD-ov softverski ekosustav izgrađen je oko ROCm-a, dok HIP pruža put za prilagođavanje mnogih aplikacija usmjerenih na CUDA-u na AMD hardver. U podržanim sustavima, Infinity Fabric se također može koristiti za visokobrzinsku razmjenu podataka između ubrzivača.

Istodobno, kompatibilnost zahtijeva pažljiviju provjeru. Podrška može varirati ovisno o specifičnom modelu GPU-a, verziji ROCm-a, operativnom sustavu, distribuciji Linuxa, upravljačkim programima, knjižnicama, spremnicima i AI okviru.

Što provjeriti prije odabira AMD GPU poslužitelja

• specifičan model GPU-a i kapacitet memorije;
• verzije ROCm-a i HIP-a;
• kompatibilnost s PyTorch, TensorFlow ili JAX;
• potrebne knjižnice i operatori;
• operativni sustav, platforma poslužitelja i okruženje za implementaciju.

Neki projekti izvorno razvijeni za CUDA-u mogu zahtijevati dodatnu prilagodbu, zamjenu knjižnica ili testiranje prije nego što mogu učinkovito raditi na ROCm-u. To ne čini AMD slabijim izborom. To znači da je AMD posebno prikladna za projekte gdje se softverski stog može unaprijed potvrditi i gdje prednosti u kapacitetu memorije, performansama ili troškovima opravdavaju dodatne inženjerske napore.

Vrsta radnog opterećenja također je vrlo važna. Jedan GPU može raditi bolje za treniranje transformatorskih modela, dok drugi može biti učinkovitiji za inferenciju koja zahtijeva memoriju ili za specifična računalna radna opterećenja. Iz tog razloga, konačna odluka ne bi se trebala temeljiti isključivo na općim rezultatima benchmarka. Bolje je testirati vlastite modele, veličine paketa, postavke preciznosti i scenarije skaliranja.

CUDA protiv ROCm: Usporedba softverskih ekosustava NVIDIA i AMD

Prilikom usporedbe CUDA-e i ROCm-a, važno je uzeti u obzir više od samo performansi GPU-a. U mnogim stvarnim scenarijima, softverski ekosustav igra odlučujuću ulogu, posebno za tvrtke koje implementiraju AI rješenja u proizvodnim okruženjima, gdje su kompatibilnost, stabilnost, dostupnost alata i jednostavnost implementacije ključne.

CUDA: NVIDIA-ina platforma i CUDA-X knjižnice

CUDA (Compute Unified Device Architecture) je NVIDIA-ina računalna platforma za radna opterećenja umjetne inteligencije i HPC-a. Čvrsto je integrirana s NVIDIA GPU-ovima i daje programerima pristup računalnim resursima putem API-ja, kompajlera, izvedbenih okruženja i knjižnica.

Te su knjižnice grupirane unutar ekosustava CUDA-X, pri čemu svaka komponenta rješava određenu fazu tijeka rada. cuDNN optimizira operacije neuronskih mreža i korištenje tenzorskih jezgri, TensorRT ubrzava inferenciju i smanjuje latenciju pri implementaciji treniranih modela, NCCL upravlja razmjenom podataka i sinkronizacijom između GPU-ova u sustavima s više GPU-ova, a RAPIDS ubrzava radna opterećenja znanosti o podacima i analitike.

Još jedna važna značajka su CUDA Graphs, koji bilježe niz operacija i pokreću ih kao jedinstveni tijek rada, smanjujući režijske troškove povezane s pokretanjem pojedinačnih jezgri.

Na razini platforme, stog se nadopunjuje s NVLink i NVSwitch za visokobrzinsku komunikaciju GPU-GPU, GPUDirect Storage za izravnu razmjenu podataka sa sustavima za pohranu i InfiniBand za komunikaciju između čvorova.

ROCm: AMD-ova platforma otvorenog koda i HIP

ROCm (Radeon Open Compute Platform) je AMD-ova softverska platforma otvorenog koda za računanje s GPU-om i glavna alternativa CUDA-i. Dizajnirana je za AI, HPC i računalna radna opterećenja visokog intenziteta u Linux okruženjima i uključuje izvedbena okruženja, programske alate, optimizirane knjižnice i podršku za okvire strojnog učenja.

ROCm podržava PyTorch, TensorFlow, ONNX Runtime, OpenCL i HPC radna opterećenja temeljena na MPI-ju. Ključna komponenta ekosustava je HIP: njegov programski model sintaktički je sličan CUDA-i, dok alat HIPIFY pomaže u prenošenju postojećih CUDA aplikacija bez potrebe za potpunim prepisivanjem koda.

Razina knjižnica slijedi slično funkcionalno preslikavanje: MIOpen rješava mnoge iste zadatke dubokog učenja kao cuDNN, RCCL pruža funkcionalnost usporedivu s NCCL-om, a rocBLAS obrađuje operacije linearne algebre. Kompatibilnost s knjižnicama trećih strana, međutim, i dalje se mora zasebno provjeriti za specifičnu verziju ROCm-a koja se koristi.

GPU-ovi i tipična radna opterećenja: Koji GPU odgovara vašem slučaju upotrebe

NVIDIA ili AMD: Koji GPU poslužitelj odgovara vašem radnom opterećenju?

Ne postoji univerzalni pobjednik. Najbolji izbor ovisi o radnom opterećenju, softverskom stogu i zahtjevima infrastrukture.

NVIDIA je često bolji izbor kada su prioriteti:

• Kompatibilnost s CUDA-om;
• Zreo AI ekosustav;
• Jednostavnija implementacija;
• Širok raspon gotovih alata i knjižnica;
• Snažna optimizacija za duboko učenje.

AMD može biti privlačnija opcija kada su prioriteti:

• Visoka propusnost memorije GPU-a;
• Veliki kapacitet VRAM-a;
• Pristup otvorenog koda;
• Snažan omjer cijene i performansi.

Na kraju, odluka se ne bi trebala temeljiti samo na nazivu marke. Treba uzeti u obzir specifičan model GPU-a, softverski stog, vrstu radnog opterećenja, zahtjeve za memorijom, okruženje za implementaciju i ukupni trošak infrastrukture.

Spremni za odabir konfiguracije? Istražite INTROSERV namjenske GPU poslužitelje i uskladite platformu sa svojim radnim opterećenjem.

Poduzećna GPU infrastruktura od INTROSERV-a

AI radna opterećenja rijetko ovise samo o GPU-u. Treniranje modela zahtijeva pohranu za skupove podataka i kontrolne točke, dok online inferencija ovisi o niskoj latenciji između aplikacije i ubrzivača. Između tih komponenti često se nalaze baze podataka, redovi i sustavi za pohranu. GPU može stajati u praznom hodu ako podaci ne stignu do njega dovoljno brzo, zbog čega infrastruktura treba biti dizajnirana kao cjelovit sustav, a ne kao jedna hardverska komponenta. INTROSERV pruža sve ključne komponente potrebne za izgradnju takvog okruženja.

Namjenski poslužitelji s GPU-om

Namjenski GPU poslužitelji mogu se koristiti za treniranje modela, inferenciju, renderiranje i znanstveno računarstvo. Konfiguracija se odabire prema radnom opterećenju: kapacitet memorije GPU-a određuje može li model stati na jedan ubrzivač, dok vrsta memorije i propusnost utječu na performanse u radnim opterećenjima gdje je kretanje podataka, a ne sirovo računanje, glavno usko grlo.

Infrastruktura oko GPU-a

Za skupove podataka, kontrolne točke i artefakte treniranja dostupni su poslužitelji s NVMe pohranom i velikim kapacitetom diska. Baze podataka za metapodatke eksperimenata i vektorske indekse mogu se implementirati u konfiguracije optimizirane za I/O performanse i velike količine RAM-a. Cjevovodi za predobradu podataka, označavanje i unos često ovise više o CPU-u i sistemskoj memoriji nego o resursima GPU-a, pa se za te zadatke mogu koristiti standardni namjenski poslužitelji po znatno nižim troškovima.

Mreža i lokacije u Europi

Komponente infrastrukture mogu se implementirati u istom podatkovnom centru i povezati putem privatne mreže, što pomaže u smanjenju latencije između sustava. Lokacije su dostupne u Njemačkoj, Nizozemskoj, Francuskoj, Ujedinjenom Kraljevstvu i Poljskoj, što omogućuje korisnicima odabir regije na temelju zahtjeva za rezidentnošću podataka i blizine krajnjim korisnicima.

Ako imate bilo kakvih pitanja, naš tim za podršku 24/7 uvijek je spreman pomoći. Kontaktirajte nas u bilo koje vrijeme za pomoć u planiranju GPU infrastrukture ili konfiguraciji poslužitelja.