Strežniki GPU NVIDIA vs AMD: kako izbrati pravo platformo za vašo delovno obremenitev

50

0

Preberite 33 min.

Ko gre za strežnike z GPU, sta NVIDIA in AMD dva vodilna ponudnika. Obа ponujata zmogljive rešitve za računske obremenitve z visoko intenzivnostjo, vključno z umetno inteligenco (AI), strojnim učenjem, znanstvenim računalništvom in visokozmogljivim računalništvom (HPC).

Čeprav so strežniki z GPU zasnovani za pospeševanje vzporednega računanja, se platformi AMD in NVIDIA bistveno razlikujeta na več področjih, vključno z arhitekturo GPU, zmogljivostjo pomnilnika, programskim okoljem, razširljivostjo, zmogljivostjo in stroški. Te razlike neposredno vplivajo na to, katera platforma je bolj primerna za določeno delovno obremenitev.

Kot ponudnik infrastrukture na ravni podjetja INTROSERV ponuja prilagodljive namenske strežnike z GPU za računske obremenitve z visoko intenzivnostjo in visoko zmogljivostjo, kot so umetna inteligenca, strojno učenje, renderiranje, znanstveno računalništvo in HPC.

V tem članku primerjamo strežnike z GPU NVIDIA in AMD, preučimo prednosti in omejitve vsake platforme ter pojasnimo, za katere primere uporabe so najbolj primerne. Cilj ni določiti univerzalnega zmagovalca, temveč pokazati, zakaj je prava izbira odvisna od specifične delovne obremenitve in zahtev infrastrukture.

Hiter odgovor: izberite NVIDIA, ko potrebujete zrelo okolje CUDA, široko združljivost in enostavno uvajanje. Razmislite o AMD, ko sta zmogljivost pomnilnika GPU in skupni strošek glavni omejitvi, vaš programski sklad pa je mogoče vnaprej preveriti glede združljivosti z ROCm.

Kako vaša delovna obremenitev določa pravi strežnik z GPU

Različne vrste delovnih obremenitev so odvisne od različnih značilnosti GPU. Nekatere zahtevajo več VRAM-a, druge pa se bolj zanašajo na pasovno širino pomnilnika ali število tenzorskih jeder:

• Aplikacije za klepet: nizka zakasnitev in visoka pasovna širina pomnilnika;
• Obdelava dokumentov: dovolj VRAM-a za dolg kontekst in velike pakete;
• Iskanje in pridobivanje informacij: prepustnost in zmogljivost pomnilnika za vdelave (embeddings) in indekse;
• Naloge sklepanja in sklepanja (inference): pasovna širina pomnilnika in VRAM za dolge izhode.

Enako načelo velja za delovne obremenitve zunaj umetne inteligence. Strežnik z GPU, ki dobro deluje za učenje ali sklepanje modelov, morda ni vedno najboljša izbira za 3D renderiranje, obdelavo videa, znanstveno računalništvo in druge računske obremenitve z GPU z visoko intenzivnostjo.

Tako NVIDIA kot AMD ponujata zmogljive rešitve z GPU, vendar je pri izbiri strežnika pomembno upoštevati več kot le splošno zmogljivost. Drugi ključni dejavniki vključujejo:

• Združljivost s programsko opremo in ogrodji;
• Zmogljivost in specifikacije pomnilnika GPU;
• Razširljivost v konfiguracijah z več GPU-ji;
• Učinkovitost za določeno vrsto delovne obremenitve;
• Zahteve glede infrastrukture in uvajanja;
• Skupni strošek rešitve in razmerje med ceno in zmogljivostjo.

NVIDIA je pogosto prednostna izbira za delovne obremenitve umetne inteligence in strojnega učenja zaradi zrelega programskega okolja, široke podpore za priljubljena ogrodja in močne združljivosti z aplikacijami AI.

Ena ključnih prednosti podjetja je CUDA, NVIDIA-ino lastniško programsko okolje, ki je globoko integrirano v številna ogrodja AI, knjižnice in orodja za razvoj.

Visokozmogljivi GPU-ji, kot sta NVIDIA H100 in B200, so zasnovani za obsežne delovne obremenitve AI, vključno z učenjem modelov in drugimi računsko zahtevnimi nalogami.

Dodatne prednosti NVIDIA vključujejo zrela gonilnika, obsežno dokumentacijo in dobro razvit programski sklad, kar na splošno olajša uvajanje in neprekinjeno delovanje.

AMD ima prednost pri delovnih obremenitvah, kjer je zmogljivost pomnilnika GPU glavno ozko grlo. Pospeševalniki Instinct ponujajo več pomnilnika HBM na kartico kot številne primerljive rešitve, kar omogoča, da se večji modeli in nabori podatkov prilegajo v pomnilnik enega samega GPU-ja, ne da bi jih bilo treba porazdeliti na več kartic. To lahko poenostavi in zniža stroške sklepanja za že naučene modele, saj lahko isti model zahteva manj GPU-jev, kar zniža strošek na zahtevo. MI300X je dober primer tega pristopa, vendar enako načelo velja za celotno linijo Instinct.

Glavni omejujoči dejavnik za AMD je običajno programsko okolje. Platforma ROCm se hitro razvija, vendar lahko v nekaterih primerih njena nastavitev in preverjanje združljivosti zahtevata več časa in inženirskih virov v primerjavi z bolj zrelim okoljem CUDA.

Zaradi tega izbira med NVIDIA in AMD ne sme temeljiti le na blagovni znamki. NVIDIA ima prednost, ko so glavne prednosti zrelo programsko okolje, široka združljivost in obsežno učenje modelov. AMD je lahko bolj privlačna, ko so ključne omejitve zmogljivost pomnilnika GPU in skupni strošek rešitve.

Ne obstaja univerzalno najboljša platforma GPU. Optimalna izbira je odvisna od specifične delovne obremenitve, bodisi da gre za učenje modelov AI, sklepanje, obdelavo dokumentov, iskanje in pridobivanje informacij, naloge sklepanja ali renderiranje zapletenih prizorov.

Nato bomo te scenarije podrobneje preučili in pojasnili, katere značilnosti strežnika z GPU so najpomembnejše za vsako vrsto delovne obremenitve. To bo pomagalo razjasniti, kje ima NVIDIA prednost, kje lahko AMD ponudi boljšo vrednost in zakaj mora izbira strežnika z GPU vedno začeti z analizo specifične naloge.

Ključne razlike med strežniki z GPU NVIDIA in AMD

NVIDIA in AMD ponujata zmogljivi platformi z GPU za umetno inteligenco, strojno učenje, znanstveno računalništvo in HPC. Vendar pa obstajajo opazne razlike med njima v arhitekturi, programski podpori, zmogljivosti, stroških in integraciji z oblačno infrastrukturo.

Arhitektura GPU: Hopper, Blackwell in CDNA

NVIDIA ne deli svoje arhitekture na ločene grafične in računske linije: ena generacija pokriva oba segmenta. Blackwell je osnova tako za pospeševalnike podatkovnih centrov B200 in B300 kot za profesionalne kartice RTX PRO 6000. Kar jih ločuje, je zasnova samega pospeševalnika: vrsta pomnilnika, podpora za računanje z nizko natančnostjo in prisotnost medsebojne povezave NVLink. NVIDIA ima tudi čisto vejo za podatkovne centre: Hopper, ki poganja H100 in H200.

AMD večinoma uporablja arhitekturi RDNA in CDNA. RDNA je usmerjena predvsem v grafične delovne obremenitve, medtem ko je CDNA zasnovana posebej za podatkovne centre, AI in HPC. Pospeševalniki AMD Instinct neposredno konkurirajo strežniškim GPU-jem NVIDIA in so zgrajeni za zahtevne računske naloge z visoko intenzivnostjo.

Pomembna opomba: AMD in NVIDIA uporabljata različne arhitekturne pristope. NVIDIA daje večji poudarek na računsko učinkovitost in delovne obremenitve z mešano natančnostjo, medtem ko se AMD bolj osredotoča na veliko zmogljivost pomnilnika in vzporedno obdelavo podatkov.

Programsko okolje: CUDA proti ROCm

CUDA je NVIDIA-ino lastniško okolje, ROCm pa AMD-jeva odprtokodna platforma. V praksi pa ključna razlika ni v modelu licenciranja, temveč v tem, koliko dodatnega dela je lahko potrebno, preden je mogoče projekt uvesti.

PyTorch in TensorFlow uradno podpirata obe platformi. Vendar je večina kode in številne knjižnice v ekosistemu strojnega učenja razvita s CUDA kot privzeto tarčo, zato je tipičen projekt bolj verjetno, da se bo zagnal na NVIDIA brez sprememb. ROCm zagotavlja programski model HIP, ki omogoča prenos kode CUDA, vendar selitev še vedno zahteva preverjanje združljivosti specifičnih knjižnic in različic ogrodij.

Druga praktična razlika je širina podpore za strojno in sistemsko opremo. CUDA deluje v celotni liniji GPU-jev NVIDIA, vključno z potrošniškimi GPU-ji. ROCm uradno podpira bolj omejen nabor pospeševalnikov in distribucij Linuxa, zato je pred izbiro strojne opreme treba skrbno preveriti seznam združljivosti.

Zanimiva točka: AMD zavzema bolj odprt pristop, medtem ko je NVIDIA-ino okolje CUDA lastniško. Kljub temu NVIDIA še naprej ohranja močan položaj med razvijalci, ne le zaradi svoje strojne opreme, temveč tudi zaradi dolgoletnih naložb in razvoja svojega programskega okolja.

Zmogljivost in pomnilnik: H200 proti MI300X

Obe platformi pospešujeta matrične izračune s pomočjo namenskih strojnih blokov: NVIDIA uporablja tenzorska jedra, AMD pa matrična jedra CDNA. Prisotnost te vrste pospeševanja sama po sebi ni več smiseln razlikovalni dejavnik, zato se mora primerjava osredotočiti na specifične meritve zmogljivosti.

Glavna razlika je v pomnilniku. H200 SXM ima 141 GB pomnilnika HBM3e in pasovno širino pomnilnika 4,8 TB/s, medtem ko MI300X ponuja 192 GB HBM3 in 5,3 TB/s. Teh dodatnih 51 GB lahko določi, ali se model prilega na en sam pospeševalnik ali ga je treba razdeliti na več GPU-jev.

Druga razlika je v zmogljivosti pri različnih vrstah izračunov. Pri dvojni natančnosti je MI300X ocenjen na 81,7 TFLOPS, medtem ko H200 SXM doseže 34 TFLOPS v standardnem načinu FP64 in 67 TFLOPS z uporabo tenzorskih jeder, kar pomeni, da je prednost AMD odvisna od tega, kateri način se primerja. Pri nižji natančnosti je razlika manjša: 5,2 PFLOPS proti 3.958 TFLOPS v FP8, pri čemer obe številki upoštevata redkost (sparsity).

Upoštevajte, da spodnja tabela navaja številke MI300X FP16/BF16 in FP8 v gostem načinu, številke H200 SXM pa z redkostjo, zato pred sklepanjem primerjajte primerljive podatke.

Skupni strošek lastništva (TCO) strežnika z GPU

Niti NVIDIA niti AMD ne objavljata cenikov za pospeševalnike podatkovnih centrov. Ti izdelki se običajno dobavljajo prek partnerjev, končni strošek pa je odvisen od konfiguracije celotnega sistema. Zaradi tega ima več smisla primerjati dejavnike, ki oblikujejo skupne stroške v celotnem življenjskem ciklu, in ne le cene samega GPU-ja.

Prvi dejavnik je število GPU-jev, potrebnih za delovno obremenitev. Zmogljivost pomnilnika določa, koliko pospeševalnikov je potrebnih za prileganje modela: 96 GB na RTX PRO 6000 Max-Q, 141 GB na H200 in 192 GB na MI300X. Manj GPU-jev lahko pomeni manj strežnikov, manj omrežnih vrat in nižje stroške za podporno infrastrukturo in programske licence.

Drugi dejavnik je poraba energije, ki neposredno vpliva na stroške souporabe (colocation) in obratovanja: 300 W za RTX PRO 6000 Max-Q, do 700 W za H200 in 750 W za MI300X. V več letih obratovanja lahko razlika med 300 W in 750 W na GPU postane pomembna v primerjavi s prvotnimi stroški strojne opreme.

Tretji dejavnik je inženirski čas. Če je projekt že zgrajen okoli CUDA, lahko njegova selitev na ROCm zahteva dodatno preverjanje knjižnic in različic ogrodij. To delo se plača v inženirskih urah, namesto da bi se neposredno pojavilo na računu za strojno opremo.

Integracija z oblačno in strežniško infrastrukturo

NVIDIA ima močno prisotnost med ponudniki oblakov in infrastrukture. Njen ekosistem vključuje orodja za razvoj, kontejnerje, vnaprej konfigurirana ogrodja in programsko opremo AI, ki poenostavljajo uvajanje in upravljanje GPU-jev.

AMD prav tako aktivno širi svojo prisotnost v oblakih in podatkovnih centrih, predvsem prek svoje linije izdelkov Instinct in platforme ROCm. Njen odprtokodni pristop naredi AMD vse bolj privlačno za podjetja, ki iščejo alternativo infrastrukturi, ki temelji na CUDA.

Tehnični nasvet: Strežnik, ki se na prvi pogled zdi cenejši, se lahko na koncu izkaže za dražjega, če kasneje ugotovite, da se model ne prilega v pomnilnik enega samega GPU-ja in zahteva dva, ali da je kritična knjižnica na voljo samo za CUDA. Velja tudi obratno: plačevanje premije za vrhunski GPU ima malo smisla, če je delovna obremenitev omejena s pasovno širino pomnilnika in ne s surovo računsko zmogljivostjo.
Zato odločitev ne sme temeljiti na blagovni znamki, temveč na štirih dejavnikih: specifičnem modelu GPU, različicah ogrodja in knjižnic, podprtem operacijskem sistemu in načinu uvajanja. Če vsaj enega od teh dejavnikov ni mogoče vnaprej preveriti, lahko prihranek pri strojni opremi hitro kompenzirajo dodatne inženirske ure.

Prednosti NVIDIA: Zrelo okolje in široka podpora AI

Ena glavnih prednosti NVIDIA je njeno zrelo programsko okolje. CUDA se v industriji AI pogosto uporablja, zato so številne knjižnice, orodja za optimizacijo, viri za usposabljanje, kontejnerji in proizvodni sistemi že od začetka zasnovani z mislijo na GPU-je NVIDIA. Posledično lahko razvijalske ekipe običajno najdejo preverjene vodnike za namestitev, podrobno dokumentacijo in pripravljene rešitve za pogoste težave pri uvajanju.

Platforma podpira glavna ogrodja, vključno s PyTorch, TensorFlow in JAX. Integrira se tudi s knjižnicami predhodno usposobljenih modelov, orodji Kubernetes, sistemi za nadzor in podjetniškimi platformami AI. Programski sklad za globoko učenje NVIDIA združuje knjižnice CUDA, cuDNN in druga orodja, ki pomagajo aplikacijam učinkovito uporabljati vire GPU-ja.

Za sklepanje NVIDIA ponuja TensorRT, ki pomaga optimizirati podprte modele za zmanjšanje zakasnitve in povečanje prepustnosti. Njegova orodja za prevajanje in izvajanje poenostavijo prehod od usposobljenega modela do proizvodne storitve. Več informacij je na voljo v dokumentaciji TensorRT.

Zrela gonilnika in knjižnice so pomembni tudi zato, ker čas nastavitve neposredno vpliva na stroške projekta. Inženirske ekipe lahko porabijo dneve za reševanje težav, povezanih z nezdružljivimi gonilniki, različicami ogrodij, jedri ali odvisnostmi. Širši ekosistem podpore NVIDIA pomaga zmanjšati te izzive, zlasti pri uporabi vnaprej zgrajenih kontejnerjev Docker in preverjenih slik v oblaku.

V sistemih z več GPU-ji je lahko še ena prednost NVLink, tehnologija visokohitrostne medsebojne povezave med GPU-ji. V podprtih konfiguracijah omogoča hitrejšo izmenjavo podatkov kot standardni PCIe, kar je še posebej pomembno, ko več GPU-jev sodeluje pri istem modelu. Vendar je dejanska korist NVLink odvisna od generacije GPU-ja, arhitekture strežnika, programskega okolja in značilnosti delovne obremenitve.

V praksi se prednost NVIDIA pogosto meri ne le s surovo zmogljivostjo GPU-ja, temveč tudi z inženirskim časom, prihranjenim med uvajanjem, optimizacijo in neprekinjenim delovanjem.

Prednosti AMD: Zmogljivost pomnilnika in Instinct

GPU-ji AMD Instinct lahko zagotovijo velike količine pomnilnika GPU in močno računsko zmogljivost za podprte delovne obremenitve AI. To je še posebej uporabno, ko se model, paket ali niz podatkov ne prilega v GPU z manj VRAM-a. Večja zmogljivost pomnilnika lahko tudi zmanjša potrebo po agresivni kvantizaciji ali zapleteni delitvi modela na več GPU-jev.

Programsko okolje AMD je zgrajeno okoli ROCm, HIP pa zagotavlja pot za prilagajanje številnih aplikacij, usmerjenih v CUDA, strojni opremi AMD. V podprtih sistemih se lahko Infinity Fabric uporablja tudi za visokohitrostno izmenjavo podatkov med pospeševalniki.

Hkrati združljivost zahteva bolj skrbno preverjanje. Podpora se lahko razlikuje glede na specifičen model GPU, različico ROCm, operacijski sistem, distribucijo Linuxa, gonilnike, knjižnice, kontejnerje in ogrodje AI.

Kaj preveriti pred izbiro strežnika z GPU AMD

• specifičen model GPU in zmogljivost pomnilnika;
• različici ROCm in HIP;
• združljivost s PyTorch, TensorFlow ali JAX;
• zahtevane knjižnice in operatorji;
• operacijski sistem, strežniška platforma in okolje za uvajanje.

Nekateri projekti, prvotno razviti za CUDA, lahko zahtevajo dodatno prilagajanje, zamenjavo knjižnic ali testiranje, preden lahko učinkovito delujejo na ROCm. To ne naredi AMD za slabšo izbiro. To pomeni, da je AMD še posebej primerna za projekte, kjer je mogoče programski sklad vnaprej preveriti in kjer prednosti v zmogljivosti pomnilnika, zmogljivosti ali stroških upravičujejo dodatna inženirska prizadevanja.

Vrsta delovne obremenitve je prav tako zelo pomembna. En GPU lahko deluje bolje za učenje transformatorskih modelov, medtem ko je lahko drugi bolj učinkovit za sklepanje, ki zahteva pomnilnik, ali za specifične računske delovne obremenitve. Zato končna odločitev ne sme temeljiti izključno na splošnih rezultatih primerjalnih testov. Bolje je preizkusiti svoje modele, velikosti paketov, nastavitve natančnosti in scenarije skaliranja.

CUDA proti ROCm: Primerjava programskih okolij NVIDIA in AMD

Pri primerjavi CUDA in ROCm je pomembno upoštevati več kot le zmogljivost GPU-ja. V številnih realnih scenarijih ima programsko okolje odločilno vlogo, zlasti za podjetja, ki uvajajo rešitve AI v proizvodna okolja, kjer so združljivost, stabilnost, razpoložljivost orodij in enostavnost uvajanja ključnega pomena.

CUDA: NVIDIA-ina platforma in knjižnice CUDA-X

CUDA (Compute Unified Device Architecture) je NVIDIA-ina računska platforma za delovne obremenitve umetne inteligence in HPC. Tesno je integrirana z GPU-ji NVIDIA in razvijalcem omogoča dostop do računalniških virov prek API-jev, prevajalnikov, izvajalnih okolij in knjižnic.

Te knjižnice so združene v ekosistem CUDA-X, pri čemer vsaka komponenta obravnava določeno stopnjo delovnega toka. cuDNN optimizira operacije nevronskih mrež in uporabo tenzorskih jeder, TensorRT pospešuje sklepanje in zmanjšuje zakasnitev pri uvajanju usposobljenih modelov, NCCL upravlja izmenjavo podatkov in sinhronizacijo med GPU-ji v sistemih z več GPU-ji, RAPIDS pa pospešuje delovne obremenitve v znanosti o podatkih in analitiki.

Druga pomembna funkcija so CUDA Graphs, ki zajamejo zaporedje operacij in jih zaženejo kot enoten delovni tok, kar zmanjša režijske stroške, povezane z zagonom posameznih jeder.

Na ravni platforme je sklad dopolnjen z NVLink in NVSwitch za visokohitrostno komunikacijo med GPU-ji, GPUDirect Storage za neposredno izmenjavo podatkov s sistemi za shranjevanje in InfiniBand za komunikacijo med vozlišči.

ROCm: AMD-jeva odprtokodna platforma in HIP

ROCm (Radeon Open Compute Platform) je AMD-jeva odprtokodna programska platforma za računanje z GPU in glavna alternativa CUDA. Zasnovana je za AI, HPC in računske obremenitve z visoko intenzivnostjo v okoljih Linux in vključuje izvajalna okolja, programska orodja, optimizirane knjižnice in podporo za ogrodja strojnega učenja.

ROCm podpira PyTorch, TensorFlow, ONNX Runtime, OpenCL in delovne obremenitve HPC, ki temeljijo na MPI. Ključna komponenta ekosistema je HIP: njegov programski model je sintaktično podoben CUDA, orodje HIPIFY pa pomaga prenesti obstoječe aplikacije CUDA, ne da bi bilo treba kodo popolnoma prepisati.

Raven knjižnic sledi podobnemu funkcionalnemu preslikovanju: MIOpen obravnava številne iste naloge globokega učenja kot cuDNN, RCCL zagotavlja funkcionalnost, primerljivo z NCCL, rocBLAS pa obravnava operacije linearne algebre. Vendar je treba združljivost s knjižnicami tretjih oseb še vedno preveriti ločeno za specifično uporabljeno različico ROCm.

GPU in tipične delovne obremenitve: Kateri GPU ustreza vaši uporabi

NVIDIA ali AMD: Kateri strežnik z GPU ustreza vaši delovni obremenitvi?

Univerzalnega zmagovalca ni. Najboljša izbira je odvisna od delovne obremenitve, programskega sklada in zahtev infrastrukture.

NVIDIA je pogosto boljša izbira, ko so prednosti:

• Združljivost s CUDA;
• Zrelo okolje AI;
• Lažje uvajanje;
• Širok nabor pripravljenih orodij in knjižnic;
• Močna optimizacija za globoko učenje.

AMD je lahko bolj privlačna možnost, ko so prednosti:

• Visoka pasovna širina pomnilnika GPU;
• Velika zmogljivost VRAM;
• Odprtokodni pristop;
• Močno razmerje med ceno in zmogljivostjo.

Na koncu odločitev ne sme temeljiti le na imenu blagovne znamke. Upoštevati mora specifičen model GPU, programski sklad, vrsto delovne obremenitve, zahteve glede pomnilnika, okolje za uvajanje in skupne stroške infrastrukture.

Ste pripravljeni izbrati konfiguracijo? Raziščite INTROSERV namenske strežnike z GPU in prilagodite platformo svoji delovni obremenitvi.

Podjetniška infrastruktura GPU od INTROSERV

Delovne obremenitve AI so redko odvisne le od GPU-ja. Učenje modelov zahteva shranjevanje za nabore podatkov in kontrolne točke, spletno sklepanje pa je odvisno od nizke zakasnitve med aplikacijo in pospeševalnikom. Med temi komponentami so pogosto zbirke podatkov, čakalne vrste in sistemi za shranjevanje. GPU lahko čaka v prostem teku, če podatki ne pridejo do njega dovolj hitro, zato mora biti infrastruktura zasnovana kot celovit sistem in ne kot ena sama strojna komponenta. INTROSERV zagotavlja vse osnovne komponente, potrebne za gradnjo takega okolja.

Namenski strežniki z GPU

Namenski strežniki z GPU se lahko uporabljajo za učenje modelov, sklepanje, renderiranje in znanstveno računalništvo. Konfiguracija je izbrana glede na delovno obremenitev: zmogljivost pomnilnika GPU določa, ali se model prilega na en sam pospeševalnik, medtem ko vrsta pomnilnika in pasovna širina vplivata na zmogljivost v delovnih obremenitvah, kjer je premikanje podatkov, namesto surovega računanja, glavno ozko grlo.

Infrastruktura okoli GPU

Za nabore podatkov, kontrolne točke in artefakte usposabljanja so na voljo strežniki s shranjevanjem NVMe in visoko zmogljivostjo diska. Zbirke podatkov za metapodatke poskusov in vektorske indekse je mogoče namestiti v konfiguracije, optimizirane za zmogljivost v/v in velike količine RAM-a. Cevovodi za predobdelavo podatkov, označevanje in zajem so pogosto bolj odvisni od CPU in sistemskega pomnilnika kot od virov GPU, zato se lahko za te naloge uporabljajo standardni namenski strežniki po bistveno nižjih stroških.

Omrežje in lokacije v Evropi

Komponente infrastrukture se lahko namestijo v istem podatkovnem centru in povežejo prek zasebnega omrežja, kar pomaga zmanjšati zakasnitev med sistemi. Lokacije so na voljo v Nemčiji, na Nizozemskem, v Franciji, Združenem kraljestvu in na Poljskem, kar strankam omogoča izbiro regije glede na zahteve glede prebivališča podatkov in bližino končnim uporabnikom.

Če imate kakršna koli vprašanja, je naša podpora 24/7 vedno pripravljena pomagati. Kadar koli nas kontaktirajte za pomoč pri načrtovanju infrastrukture GPU ali konfiguraciji strežnika.