GPU & STORAGE FILE TRANSFER
Envíe a un servidor GPU los datos que necesita,
y devuelva los resultados al storage.
Transfiera los datasets y modelos almacenados en object storage, en un NAS o en un centro de datos a sus servidores GPU.
Los checkpoints y resultados producidos durante el training y la inference también pueden regresar al storage. Su infraestructura de IA existente permanece igual, mientras el movimiento de archivos entre storage y GPU compute se gestiona en una sola plataforma.
AI INFRASTRUCTURE INTEGRATION
Su infraestructura de IA permanece igual.
INNORIX mueve los datos.
Los sistemas que decidan el compute y el workload en su infraestructura de IA permanecen exactamente como están.
INNORIX entrega datasets y modelos entre la source y el target que esos sistemas indican, y envía checkpoints y resultados de vuelta al storage.
INNORIX no gestiona el GPU scheduling ni el pipeline de IA. Mueve los archivos que decide su sistema existente.
STORAGE & GPU CONNECTIVITY
Una capa de transferencia para la ruta de datos
entre storage y GPU compute.
Tanto si el dataset y el modelo residen en object storage en la nube, en un centro de datos o en un storage privado, pueden entregarse al entorno GPU donde se ejecuta el trabajo.
Los datos se mueven entre distintas nubes, regiones y entornos on-premises mientras el storage y la infraestructura GPU permanecen igual. La ruta y el destino se configuran según el entorno: una GPU en la nube, un clúster GPU en un centro de datos, o el suyo propio.
De Cloud a GPUObject storage en una región, entregado a un clúster GPU en otra.
ORIGENObject StorageUS West, S3
68%
1,63 TB de 2,4 TB transferidos
DESTINOCloud GPUAsia, NVIDIA H100
AI DATA LIFECYCLE
Del dataset al modelo, el checkpoint y el resultado,
la misma entrega de datos.
El training de IA comienza con llevar el dataset y el modelo al entorno GPU, y continúa con el almacenamiento de los checkpoints que produce y la recopilación del resultado final.
INNORIX mueve los archivos que cada etapa necesita entre el storage y el entorno GPU, y automatiza el movimiento de datos que se repite continuamente. Preparar los archivos para el training, conservar los resultados intermedios y entregar los finales está todo conectado, de modo que la transferencia de archivos funciona igual en todo el flujo de trabajo de IA.
Ejecución de training n.º 4821resnet-vision, gpu-cluster-01, iniciado 09:52
DatasetDatos de training listos
training-dataset.tar2,4 TB, 12.480 archivos
ModelModel entregado
foundation-model48 GB, 12 archivos
AI TrainingEn ejecución
Época 64 / 10064%
Clúster GPU8 GPU
CheckpointEstado del training almacenado
checkpoint-064320 GB, 64 archivos
ResultadoResultado recopilado
inference-result120 GB, 3.420 archivos
Los checkpoints se repiten, así que una ejecución larga nunca se pierde
DATA READINESS & RECOVERY
Menos tiempo con una GPU esperando datos,
y una transferencia interrumpida continúa.
Los datos que el training y la inference de IA necesitan van desde archivos individuales de varios terabytes hasta millones de imágenes y documentos pequeños. INNORIX libera a la transferencia de la carga que genera ese tamaño y esa cantidad, y entrega datos de gran tamaño al entorno GPU de forma fiable.
Si la red falla o la transferencia se detiene, lo que ya se completó se conserva y solo se vuelve a enviar la parte que falta. El resume automático, los reintentos y la verificación eliminan transferencias repetidas innecesarias y confirman que los datos que la IA necesita están listos.
Transferencias grandes
Un dataset de un terabyte en una sola transferencia
Muchos archivos pequeños
Millones de archivos, gestionados de forma fiable
Sin progreso perdido
Lo que se completó se conserva; solo se vuelve a enviar el resto
Transferencia n.º 4821-01Object Storage → gpu-cluster-01
2,4 TB de 2,4 TB transferidos
Partes de esta transferencia
ORCHESTRATOR & API
Su AI orchestrator ejecuta la transferencia
en el momento en que la necesita.
La transferencia de archivos se conecta a su AI orchestrator, scheduler y pipeline existentes sin modificarlos. Indique los archivos y el destino desde Kubeflow, Airflow, SLURM o su propio sistema a través de la API, e INNORIX ejecuta la transferencia y devuelve su progreso y su resultado.
Su sistema de IA programa y ejecuta el trabajo exactamente igual que hoy, mientras INNORIX gestiona el movimiento de archivos entre clústeres GPU, storage en la nube y el centro de datos. Los callbacks de finalización y los resultados de las ejecuciones realimentan el flujo de trabajo, de modo que la preparación de datos, el training y la recopilación de resultados continúan automáticamente.
Fácil de conectar
Una API estándar, conectada de inmediato
Nada que cambiar
Se usa sin tocar el sistema de IA
Resultados visibles
Status, logs y un callback de finalización
Transfer APItr_8f3a2e6b, llamado por airflow-dag-vision
- AI OrchestratorKubeflow, Airflow, Personalizado
- SchedulerSLURM, PBS, LSF
- Aplicación de IATraining, Inference, Fine-tuning
- Transferencia de alta velocidad
- Resume & Retry
- Verificación
- Clúster GPUNVIDIA H100, A100
- Cloud StorageS3, GCS, Azure Blob
- Data CenterNAS, Object Storage
POST/api/v1/transferscURL
1{2 "source": "s3://training-dataset",3 "target": "gpu-cluster-01",4 "files": "dataset/*.tar",5 "callback": "https://ai.company.com/webhook"6}
RESPUESTAJSON
1{2 "transferId": "tr_8f3a2e6b",3 "status": "completed",4 "files": "12,480",5 "size": "2.4 TB",6 "progress": "100%",7 "callback": "delivered"8}
Estado de la ejecución
- Solicitado10:14
- Transfiriendo10:15
- Completado10:33
- Callback enviado10:33
UNIFIED OPERATIONS
Ejecute cada transferencia de archivos entre GPU y storage
desde una sola pantalla.
Gestione transferencias tan distintas como la entrega de datasets, la recopilación de checkpoints, el movimiento de modelos y la recopilación de resultados en INNORIX Studio.
Compruebe qué se está ejecutando y qué ha finalizado, y dé seguimiento a una transferencia fallida solo en el rango que lo necesite.
Runs recientes
- Entrega del dataset de trainingCompletado
- Recopilación de checkpointsTransfiriendo
- Distribución de modelosCompletado
GET STARTED
Empiece a transferir entre servidores GPU y storage.
Conecte object storage, NAS y storage on-premises con sus servidores GPU.
Componga transferencias de datasets y modelos en Studio, o conecte la transferencia de archivos a su pipeline de IA existente a través de la API.
TECHNICAL FAQ
Preguntas frecuentes
¿Se pueden transferir archivos entre un servidor GPU y object storage?
Sí. Conecte un object storage y servidores GPU compatibles para transferir datasets, modelos y otros archivos. Las condiciones de conexión del storage y de los servidores GPU deben confirmarse para su entorno.
¿Se puede conectar un servidor GPU on-premises con un storage en la nube?
Los servidores on-premises y el object storage en la nube compatibles pueden configurarse como origen o destino.
¿Se pueden enviar datos de un NAS o de un servidor de archivos ordinario a un servidor GPU?
Se puede conectar un servidor de archivos o un entorno NAS compatible para entregar datos a un servidor GPU. El método de conexión real depende del sistema operativo, del sistema de archivos y de la configuración de red.
¿Se pueden transferir modelos y checkpoints además de datasets?
Sí. Se pueden transferir datasets, pesos de modelos, checkpoints, datos de evaluation, resultados y otros archivos usados o producidos por el trabajo de IA.
¿Puede gestionar grandes datasets de imágenes o archivos de escala TB?
INNORIX admite tanto archivos muy grandes como grandes cantidades de archivos pequeños. El rendimiento de transferencia que obtendrá realmente depende de la composición de los archivos, la API del storage, la red y las especificaciones del dispositivo.
¿Se pueden recopilar automáticamente los checkpoints producidos en un servidor GPU?
Los archivos de checkpoint pueden configurarse para ir al storage según un horario, un evento o a solicitud de un sistema externo. Si realmente existe un checkpoint y qué archivos se seleccionan lo decide el sistema de IA existente y la configuración de la transferencia.
¿Realiza INNORIX por sí mismo el GPU scheduling o el training de IA?
No. El GPU provisioning, el scheduling, el training y el pipeline de IA los gestiona la infraestructura existente. INNORIX lleva a cabo el movimiento de archivos que ese trabajo necesita.
¿Se puede integrar con un AI orchestrator existente como Kubeflow?
Un orchestrator existente puede solicitar una transferencia de archivos a través de la API y comprobar el resultado de finalización. La integración con un framework concreto debe revisarse frente a la API real y el entorno de ejecución.
¿Se puede configurar el training para que empiece al completarse la transferencia?
Un orchestrator existente puede confirmar el resultado de finalización de la transferencia y luego iniciar el training. Hay que distinguir claramente entre una solicitud de transferencia aceptada y los datos realmente entregados.
¿Qué sucede si la red se interrumpe durante la transferencia de un dataset?
Use las funciones de Resume y Retry compatibles para continuar una transferencia interrumpida. Hasta dónde puede recuperarse depende del tipo de archivo y del entorno de transferencia.
¿Se puede usar donde el servidor GPU cambia cada vez?
El endpoint GPU que un scheduler existente seleccionó puede conectarse como destino de la transferencia. El manejo de un endpoint que varía en tiempo de ejecución se describe en detalle en la página de producto de Dynamic Endpoint Transfer.
¿Dónde compruebo el progreso y los resultados de AI Data Delivery?
Runs en INNORIX Studio muestra el progreso de la transferencia y el resultado de finalización. Un sistema de IA existente puede integrarse mediante la API compatible para consultar el estado y el resultado.
Every one of these capabilities,on a single plataforma.
The capability on this page is one of the many transferencia de archivo features INNORIX Plataforma provides. From transferencia de archivo to automatización and unified operaciones, try every feature free.
Start Free¿Está considerando la entrega de datos para IA?
Revisaremos juntos la configuración de transferencia que necesita para el entorno de storage y GPU que ya tiene en marcha.
- Revisión de las conexiones del entorno de storage y GPU
- Configuración de transferencias de datasets grandes
- Conexión con un pipeline de IA existente