É«¿Ø´«Ã½

Un servidor GPU dedicado es un servidor con una o m¨¢s unidades de procesamiento gr¨¢fico (GPU por sus siglas en ingl¨¦s), que ofrece m¨¢s potencia y velocidad para ejecutar tareas computacionalmente intensivas, como la representaci¨®n de v¨ªdeo, los an¨¢lisis de datos y el aprendizaje autom¨¢tico. Los servidores GPU dedicados tambi¨¦n pueden tener una CPU (unidad central de procesamiento) especializada y grandes cantidades de RAM y almacenamiento.

La arquitectura paralela de una GPU, dise?ada inicialmente para encargarse del procesamiento de gr¨¢ficos y v¨ªdeos, permite que un servidor GPU dedicado gestione m¨²ltiples tareas simult¨¢neamente a unas velocidades que superan las de un servidor de CPU.

?Qu¨¦ es un servidor GPU en rack?

Un servidor GPU en rack es un servidor equipado con unas GPU dise?adas para encajar en un bastidor (o rack) de servidores. Un bastidor de servidores es una estructura rectangular con m¨²ltiples ranuras de montaje dise?adas para alojar los servidores en rack y otros componentes de red. Los servidores est¨¢n colocados unos sobre otros para minimizar la superficie ocupada y se meten y se sacan del bastidor desliz¨¢ndose, seg¨²n sea necesario.

Un servidor GPU en rack ofrece varias ventajas, como un mejor uso del espacio, una mayor escalabilidad, un flujo de aire maximizado y un mantenimiento m¨¢s f¨¢cil.

Motivos por los que utilizar un servidor GPU dedicado

Las GPU son el equivalente especializado y optimizado para el rendimiento de las CPU. En lugar de tener varios n¨²cleos pesados con velocidades de reloj altas capaces de realizar una gran variedad de tareas computacionales, las GPU utilizan miles de n¨²cleos ligeros optimizados para procesar la misma operaci¨®n en paralelo (es decir, una instrucci¨®n, m¨²ltiples datos [Single Instruction, Multiple Data o SIMD]).

Estos n¨²cleos tienen conjuntos de instrucciones optimizadas para los c¨¢lculos aritm¨¦ticos de matrices dimensionales y de coma flotante, lo que acelera el ¨¢lgebra lineal. El resultado final es un sistema optimizado para el procesamiento en paralelo.

Existen diversos casos en los que le puede interesar usar un servidor GPU dedicado:

• Las canalizaciones de an¨¢lisis de macrodatos
• La transmisi¨®n de v¨ªdeo
• El procesamiento de im¨¢genes
• Las animaciones y las simulaciones en 3D (por ejemplo, el modelado del plegamiento de la cadena proteica)
• Las aplicaciones del aprendizaje profundo (por ejemplo, el reconocimiento de voz)
• El descifrado de hash (por ejemplo, la recuperaci¨®n de contrase?as)
• La miner¨ªa de criptomonedas

Si necesita acelerar una operaci¨®n que puede beneficiarse de la ejecuci¨®n paralela en miles de n¨²cleos, un servidor GPU dedicado puede ayudarle.

Tipos de servidores GPU en rack

Los servidores GPU en rack se instalan en bastidores o armarios de servidores. Los bastidores de servidores y los equipamientos que hay instalados en ellos se miden en unidades de rack, indicadas como ¡°U¡± o a veces ¡°RU¡±. Una ¡°U¡± describe la altura del equipamiento (por ejemplo, la altura de un servidor o la altura y el n¨²mero de estantes de un bastidor de servidores).

Una U equivale a 1,75 pulgadas (4,445 cm), por lo que la altura de un servidor de 1 U ser¨ªa de 1,75 pulgadas (4,445 cm) y la de un servidor de 2 U de 3,5 pulgadas (8,89 cm). Una unidad de rack de 32 U, por ejemplo, puede contener 32 servidores de 1 U, 4 servidores de 8 U o 1 servidor de 32 U.

Lea ¡°La gu¨ªa definitiva de los tama?os de bastidor de servidores de 19 pulgadas¡± si desea m¨¢s informaci¨®n sobre el tama?o de los bastidores.

Los factores de forma peque?os y los factores de forma grandes

Las diferencias principales entre los factores de forma peque?os y grandes de los bastidores de rack radican en su densidad y su capacidad de expansi¨®n.

Servidores GPU en rack de 1 U y 2 U

Los factores de forma m¨¢s peque?os, como los servidores GPU en rack de 1 U y de 2 U, se han dise?ado teniendo en cuenta la densidad de rendimiento, pero son menos potentes que los factores de forma de servidor GPU m¨¢s grandes. Se suelen utilizar debido a sus costes m¨¢s bajos y a su capacidad para ahorrar espacio en el bastidor.

Los servidores GPU en rack de 1 U y de 2 U son f¨¢ciles de mantener, muy port¨¢tiles y f¨¢ciles de escalar (se puede escalar el rendimiento usando varios de ellos). Un servidor de 1 U puede alojar normalmente una o dos CPU, varios terabytes de memoria y m¨²ltiples GPU. Un servidor de 2 U con el doble de altura que un servidor de 1 U le proporcionar¨¢ un poco de espacio adicional para la potencia de procesado y el almacenamiento.

En los servidores con un factor de forma m¨¢s peque?o, las GPU suelen estar montadas horizontalmente, debido a las limitaciones de espacio. Tambi¨¦n hay menos espacio para las ranuras PCIe y el almacenamiento, aunque se pueden ampliar usando un kit de expansi¨®n PCIe o una caja JBOD.

Servidores GPU en rack de 8 U y 16 U

Los servidores GPU en rack m¨¢s grandes, como los de 8 U y 16 U, est¨¢n enfocados a las cargas de trabajo que requieren unas mayores capacidades de rendimiento. Tienen m¨¢s espacio para el almacenamiento y ranuras de expansi¨®n adicionales, lo que permite conectar m¨¢s tarjetas PCIe para aumentar el rendimiento del procesamiento de datos. El espacio adicional tambi¨¦n mejora la circulaci¨®n del aire para evitar el sobrecalentamiento.

En un factor de forma m¨¢s grande, las GPU est¨¢n instaladas verticalmente y con un espacio extra para las conexiones, que est¨¢n situadas en lo alto de la tarjeta, en lugar de detr¨¢s.

C¨®mo dimensionar un servidor GPU dedicado

Al dimensionar un servidor GPU dedicado, deber¨¢ tener en cuenta las caracter¨ªsticas que desea que tenga el producto y sus necesidades empresariales actuales y futuras. La configuraci¨®n ¨®ptima del servidor depende de las cargas de trabajo que quiere ejecutar, de los casos de uso espec¨ªficos de dicho servidor y de lo r¨¢pido que necesita que sea este servidor.

Los servidores GPU dedicados pueden configurarse para cargas de trabajo espec¨ªficas, como la representaci¨®n de v¨ªdeo, el entrenamiento del aprendizaje profundo, la inferencia, los an¨¢lisis de macrodatos y la inform¨¢tica de alto rendimiento (HPC). La configuraci¨®n ¨®ptima del servidor depende de las cargas de trabajo que quiere ejecutar, de los casos de uso espec¨ªficos de dicho servidor y de lo r¨¢pido que necesita que sea este servidor.

Las GPU consumen mucha energ¨ªa y generan un mont¨®n de calor. Son m¨¢s grandes que las CPU y necesitan un espacio adicional para los conectores de alimentaci¨®n. El chasis del servidor no solo tiene que ser lo bastante grande para albergar la cantidad de GPU que quiera utilizar, sino que adem¨¢s tiene que proporcionar una buena ventilaci¨®n por aire para evitar el sobrecalentamiento y la .

?Cu¨¢nto cuesta un servidor GPU dedicado?

Como es l¨®gico, los costes var¨ªan en funci¨®n de si decide construir su propio servidor GPU dedicado, si alquila un servidor o si usa unos servicios basados en la nube.

Si va a construir su propio servidor, deber¨¢ tener en cuenta el coste de la GPU y el de la alimentaci¨®n el¨¦ctrica, el chasis, las CPU especializadas, la RAM y el almacenamiento. Tambi¨¦n deber¨¢ considerar los costes que trae aparejados la construcci¨®n del centro de datos en sus propias instalaciones, como los costes energ¨¦ticos, de espacio, de refrigeraci¨®n y de mantenimiento.

Las GPU se clasifican por especializaciones y los precios var¨ªan en funci¨®n de los casos de uso. Por ejemplo, NVIDIA ofrece servidores basados en Tesla V100 adecuados para el aprendizaje profundo y los c¨¢lculos de alta precisi¨®n. Una , como la Nvidia GTX Titan Z de NVDIA, puede costar unos 3000 d¨®lares estadounidenses.

Si decide optar por una plataforma en la nube, hay varios proveedores de servicios en la nube que pueden ofrecerle planes de servidores que funcionan con GPU, entre ellos los principales proveedores de servicios en la nube, como AWS V2 Cloud, Google Cloud Platform y Azure. AWS, por ejemplo, ofrece unos a partir de los 0,900 $ por hora para una GPU y cuatro n¨²cleos virtuales.

Servidor GPU en rack: compra o alquiler

La decisi¨®n de comprar o de alquilar depende de varios factores. Los m¨¢s importantes son el presupuesto de su empresa y los casos de uso potenciales.

La compra de un servidor GPU en rack conlleva unos costes iniciales. Las GPU mejor valoradas para las cargas de trabajo de aprendizaje profundo pueden tener un precio muy alto. Si a ello le a?adimos los costes del mantenimiento, la energ¨ªa y el ancho de banda necesarios para tener el servidor GPU en sus instalaciones, la inversi¨®n inicial puede llegar a ser astron¨®mica.

Teniendo en cuenta el ritmo de aparici¨®n de las modernas innovaciones tecnol¨®gicas, la compra de un servidor GPU conlleva el riesgo de que este quede obsoleto antes de que haya logrado amortizar su inversi¨®n. La actualizaci¨®n del sistema tambi¨¦n trae aparejados unos costes adicionales.?

Si trabaja con grandes conjuntos de datos y prev¨¦ implementar sus modelos en un entorno de producci¨®n, debe plantearse alquilar la infraestructura de GPU a un proveedor de servicios en la nube. Este modelo de suscripci¨®n le permite pagar por horas o meses, seg¨²n los recursos que utilice, y ampliar o reducir en funci¨®n de sus necesidades en un momento dado.

Consiga una infraestructura de IA de ¨²ltima generaci¨®n con É«¿Ø´«Ã½

Un servidor GPU dedicado ofrece varias ventajas respecto de un servidor de CPU, como un mayor rendimiento, un incremento de la flexibilidad y una mejor utilizaci¨®n de los recursos de la CPU. Los servidores GPU dedicados pueden comprarse en su totalidad o alquilarse a un proveedor de servicios.?

AIRI//S? es una infraestructura de IA sencilla, muy escalable y basada en el flash, que ha sido desarrollada por É«¿Ø´«Ã½? y NVIDIA. AIRI//S funciona con los sistemas NVIDIA DGX m¨¢s nuevos y con el almacenamiento FlashBlade//S?, el sistema operativo Purity//FB y la administraci¨®n en la nube Pure1? de É«¿Ø´«Ã½.

Experimente unos nuevos niveles de ¨¦xito con la IA gracias a Pure y AIRI//S.