เริ่มฟรี

GPU & STORAGE FILE TRANSFER

ส่งเซิร์ฟเวอร์ GPU ข้อมูลที่ต้องการ
และใส่ผลลัพธ์กลับไป Storage

ถ่ายโอน Datasets และ Models ที่เก็บไว้ใน Object Storage บน NAS หรือในศูนย์ข้อมูลไปยังเซิร์ฟเวอร์ GPU ของคุณ

Checkpoints และผลลัพธ์ที่สร้างขึ้นระหว่าง Training และ Inference สามารถไป Storage ได้เช่นกัน โครงสร้างพื้นฐาน AI ของคุณที่มีอยู่แล้วยังคงเป็นเช่นเดิม ขณะที่การเคลื่อนไฟล์ระหว่าง Storage และ GPU Compute ได้รับการจัดการบนแพลตฟอร์มเดียว

AI INFRASTRUCTURE INTEGRATION

โครงสร้างพื้นฐาน AI ของคุณยังคงเป็นเช่นเดิม
INNORIX เคลื่อนข้อมูล

ระบบที่ตัดสินใจ Compute และ Workload ในโครงสร้างพื้นฐาน AI ของคุณ ยังคงเหมือนเดิมทุกประการ

INNORIX ส่งมอบ Datasets และ Models ระหว่าง Source และ Target ที่ระบบเหล่านั้นตั้งชื่อให้ และส่ง Checkpoints และ Results กลับไป Storage

โครงสร้างพื้นฐาน AI ของคุณINNORIX
GPU Provisioningการส่งมอบ Datasets และ Models
Workload Schedulingการถ่ายโอนไฟล์เอง
Training และ Evaluation Pipelineการส่ง Checkpoints และ Results
Artifact Metadata และ Lineageสถานะการถ่ายโอนและผลลัพธ์

INNORIX ไม่จัดการ GPU Scheduling หรือ AI Pipeline มันเคลื่อนไฟล์ที่ระบบที่มีอยู่ของคุณตัดสินใจ

STORAGE & GPU CONNECTIVITY

ชั้นการถ่ายโอนหนึ่งชั้นสำหรับเส้นทางข้อมูล
ระหว่าง Storage และ GPU Compute

ไม่ว่า Dataset และ Model จะอยู่ใน Cloud Object Storage ในศูนย์ข้อมูล หรือใน Private Storage พวกเขาสามารถส่งมอบไปยังสภาพแวดล้อม GPU ที่งานทำงาน

ข้อมูลเคลื่อนไหวระหว่าง Clouds ภูมิภาค และสภาพแวดล้อม On-Premises ต่างๆ ในขณะที่ Storage และ GPU Infrastructure ยังคงเหมือนเดิม เส้นทางและเป้าหมายถูกตั้งค่าให้ตรงกับสภาพแวดล้อม -- Cloud GPU Data Center GPU Cluster หรือของคุณเอง

Cloud ไปยัง GPUObject Storage ในภูมิภาคหนึ่ง ส่งมอบไปยัง GPU Cluster ในอีกภูมิภาคหนึ่ง

เชื่อมต่อแล้ว

ต้นทางObject StorageUS West · S3

training-dataset2.4 TB
foundation-model48 GB
image-dataset820 GB
auxiliary-data12 GB
กำลังถ่ายโอน

68%

1.63 TB จาก 2.4 TB ถ่ายโอน

ปลายทางCloud GPUเอเชีย · NVIDIA H100

NVIDIA H100พร้อม
NVIDIA A100พร้อม
NVIDIA L40Sพร้อม
NVIDIA L4พร้อม
training-dataset.tar2.4 TB · 12,480 ไฟล์กำลังถ่ายโอน
68%

1.63 TB จาก 2.4 TB ถ่ายโอน

AI DATA LIFECYCLE

จาก Dataset ไปถึง Model Checkpoint และ Result
การส่งข้อมูลเดียวกัน

AI Training เริ่มต้นด้วยการนำ Dataset และ Model เข้าไปในสภาพแวดล้อม GPU และดำเนินต่อไปจนถึงการเก็บ Checkpoints ที่สร้างขึ้นและรวบรวม Result สุดท้าย

INNORIX เคลื่อนไฟล์ที่แต่ละขั้นตอนต้องใช้ระหว่าง Storage และสภาพแวดล้อม GPU และทำให้การเคลื่อนข้อมูลเป็นอัตโนมัติที่เกิดขึ้นซ้ำๆ การเตรียม Datasets สำหรับ Training การเก็บ Intermediate Results และการ Deliver Results สุดท้ายเชื่อมต่อกัน ดังนั้นการถ่ายโอนไฟล์จึงทำงานเหมือนกันในทั้ง AI Workflow

Training Run #4821resnet-vision · gpu-cluster-01 · เริ่มต้น 09:52

  1. Datasetข้อมูล Training พร้อม

    training-dataset.tar2.4 TB · 12,480 ไฟล์

  2. ModelModel ส่งมอบแล้ว

    foundation-model48 GB · 12 ไฟล์

  3. การฝึก AIกำลังรัน

    รอบฝึก 64 / 10064%

    คลัสเตอร์ GPU8 GPUs

  4. Checkpointสถานะ Training เก็บแล้ว

    checkpoint-064320 GB · 64 ไฟล์

  5. ผลลัพธ์Result รวบรวมแล้ว

    inference-result120 GB · 3,420 ไฟล์

Checkpoints ซ้ำกัน ดังนั้น Long Run จึงไม่มีการสูญเสีย

training-dataset.tar2.4 TB · 12,480 ไฟล์Object Storageคลัสเตอร์ GPUเสร็จสิ้น100%

DATA READINESS & RECOVERY

เวลาน้อยลงที่ GPU รอข้อมูล
และการถ่ายโอนที่ถูกขัดจังหวะจะดำเนินต่อ

ข้อมูลที่ AI Training และ Inference ต้องใช้มีตั้งแต่ไฟล์เดี่ยวของ Terabytes หลายตัวไปจนถึง Millions ของรูปภาพและเอกสารเล็กๆ น้อยๆ INNORIX ลดโหลดที่ขนาดและตัวเลขสร้างจากการถ่ายโอน และส่งมอบข้อมูลขนาดใหญ่ไปยังสภาพแวดล้อม GPU อย่างน่าเชื่อถือ

หากเครือข่ายหล่นหรือการถ่ายโอนหยุด สิ่งที่เสร็จแล้วจะได้รับการเก็บไว้ และเพียงส่วนที่ขาดไปเท่านั้นที่จะถูกส่งซ้ำ Automatic Resume Retries และการตรวจสอบ ตัดการถ่ายโอนซ้ำที่ไม่จำเป็น และยืนยันว่าข้อมูลที่ AI ต้องการพร้อมแล้ว

  • การถ่ายโอนขนาดใหญ่

    Dataset Terabyte เดียวในการถ่ายโอนครั้งเดียว

  • ไฟล์เล็กจำนวนมาก

    Millions ของไฟล์ จัดการได้อย่างน่าเชื่อถือ

  • ไม่มีความก้าวหน้าสูญเสีย

    สิ่งที่สำเร็จได้รับการเก็บไว้ เพียงส่วนที่เหลือเท่านั้นที่ส่งอีกครั้ง

การโอนย้าย #4821-01Object Storage → gpu-cluster-01

training-dataset.tar2.4 TB · 12,480 ไฟล์เสร็จสิ้น
100%

2.4 TB จาก 2.4 TB ถ่ายโอน

ส่วนของการถ่ายโอนนี้

ส่วน 0001–40001.01 TBเสร็จ
ส่วน 4001–80000.67 TBเสร็จ
ส่วน 8001–124800.72 TBเสร็จ
  • ข้อมูลที่เสร็จสิ้นเก็บไว้ไม่ได้ส่งอีกครั้งหลังหยุด
  • Automatic Resumeดำเนินต่อเมื่อการเชื่อมต่อกลับมา
  • ตรวจสอบและไม่มีการสูญหายข้อมูลได้รับการตรวจสอบหลังการถ่ายโอน

ORCHESTRATOR & API

Orchestrator AI ของคุณรันการถ่ายโอน
ในขณะที่ต้องการ

การถ่ายโอนไฟล์เชื่อมต่อกับ AI Orchestrator Scheduler และ Pipeline ที่มีอยู่โดยไม่ต้องเปลี่ยนพวกเขา ตั้งชื่อไฟล์และปลายทางจาก Kubeflow Airflow SLURM หรือระบบของคุณเองผ่าน API และ INNORIX รันการถ่ายโอนและส่งคืนความก้าวหน้าและผลลัพธ์ของมัน

ระบบ AI ของคุณจัดตารางและรันงานเหมือนที่ทำวันนี้ ขณะที่ INNORIX จัดการการเคลื่อนไฟล์ระหว่าง GPU Clusters Cloud Storage และศูนย์ข้อมูล Completion Callbacks และผลลัพธ์การรันป้อนข้อมูลกลับไปยัง Workflow ดังนั้นการเตรียมข้อมูล Training และการรวบรวม Result ดำเนินต่อไปโดยอัตโนมัติ

  • ง่ายต่อการเชื่อมต่อ

    API มาตรฐาน เชื่อมต่อทันที

  • ไม่มีอะไรต้องเปลี่ยน

    ใช้โดยไม่สัมผัส AI System

  • ผลลัพธ์ที่คุณเห็น

    สถานะ บันทึก และ Completion Callback

Transfer APItr_8f3a2e6b · เรียกโดย airflow-dag-vision

Callback ส่ง
  • ตัวประสานงาน AIKubeflow · Airflow · พัฒนาเอง
  • SchedulerSLURM · PBS · LSF
  • แอปพลิเคชัน AIการฝึก · การอนุมาน · การปรับแต่งอย่างละเอียด
INNORIXรันการถ่ายโอน
  • การโอนย้ายความเร็วสูง
  • Resume & Retry
  • การตรวจสอบ
  • คลัสเตอร์ 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}

การตอบกลับJSON

1{2  "transferId": "tr_8f3a2e6b",3  "status": "completed",4  "files": "12,480",5  "size": "2.4 TB",6  "progress": "100%",7  "callback": "delivered"8}

สถานะการรัน

  1. ส่งคำขอแล้ว10:14
  2. กำลังถ่ายโอน10:15
  3. เสร็จสิ้น10:33
  4. Callback ส่ง10:33

UNIFIED OPERATIONS

รันการถ่ายโอนไฟล์ทั้งหมดระหว่าง GPU และ Storage
จากหน้าจอเดียว

จัดการการถ่ายโอนที่แตกต่างกันเช่น Dataset Delivery Checkpoint Collection Model Movement และ Result Gathering ใน INNORIX Studio

ตรวจสอบว่าอะไรกำลังรันและสิ่งที่เสร็จแล้ว และติดตามการถ่ายโอนที่ล้มเหลวเฉพาะช่วงที่ต้องใช้

Runs ล่าสุด

  • การส่งมอบ Dataset สำหรับการฝึกเสร็จสิ้น
  • การรวบรวม Checkpointกำลังถ่ายโอน
  • การแจกจ่ายโมเดลเสร็จสิ้น

GET STARTED

เริ่มต้นใช้งานการโอนย้ายข้อมูลสำหรับ AI ได้ฟรี

AI Data Delivery รวมอยู่ใน INNORIX Platform แล้ว เมื่อสมัครใช้งานแบบฟรี คุณสามารถเชื่อมต่อ Storage เซิร์ฟเวอร์ GPU และสภาพแวดล้อมการประมวลผล AI ได้ และตั้งค่าได้ทุกขั้นตอน ตั้งแต่การส่งมอบชุดข้อมูล (Dataset) ที่จำเป็นสำหรับการฝึกโมเดลและการอนุมาน (Inference) ไปจนถึงการดึงข้อมูลผลลัพธ์กลับมา

เขียน Dataset และ Model Transfers ใน Studio หรือเชื่อมต่อการถ่ายโอนไฟล์กับ AI Pipeline ที่มีอยู่ของคุณผ่าน API

TECHNICAL FAQ

คำถามที่พบบ่อย

สามารถถ่ายโอนไฟล์ระหว่างเซิร์ฟเวอร์ GPU และ Object Storage ได้หรือไม่

ได้ เชื่อมต่อ Object Storage และ GPU Servers ที่รองรับเพื่อถ่ายโอน Datasets Models และไฟล์อื่นๆ ต้องยืนยันเงื่อนไขการเชื่อมต่อสำหรับ Storage และ GPU Servers สำหรับสภาพแวดล้อมของคุณ

เซิร์ฟเวอร์ GPU On-Premises สามารถเชื่อมต่อกับ Cloud Storage ได้หรือไม่

On-Premises Servers และ Cloud Object Storage ที่รองรับสามารถตั้งค่าเป็น Source หรือ Target ได้

สามารถส่งข้อมูลบน NAS หรือเซิร์ฟเวอร์ไฟล์ธรรมดาไปยังเซิร์ฟเวอร์ GPU ได้หรือไม่

สามารถเชื่อมต่อสภาพแวดล้อมเซิร์ฟเวอร์ไฟล์หรือ NAS ที่รองรับเพื่อส่งมอบข้อมูลไปยังเซิร์ฟเวอร์ GPU วิธีการเชื่อมต่อตามจริงขึ้นอยู่กับระบบปฏิบัติการ ระบบไฟล์ และการตั้งค่าเครือข่าย

Models และ Checkpoints สามารถถ่ายโอนเช่นเดียวกับ Datasets ได้หรือไม่

ได้ Datasets Model Weights Checkpoints Evaluation Data Results และไฟล์อื่นๆ ที่ใช้หรือสร้างโดยงาน AI สามารถถ่ายโอนได้

สามารถจัดการ Large Image Datasets หรือไฟล์ TB-Scale ได้หรือไม่

INNORIX รองรับทั้งไฟล์ขนาดใหญ่มากและจำนวนไฟล์ขนาดเล็กจำนวนมาก ประสิทธิภาพการถ่ายโอนที่คุณได้รับจริง ๆ ขึ้นอยู่กับองค์ประกอบไฟล์ Storage API เครือข่าย และข้อมูลจำเพาะอุปกรณ์

สามารถรวบรวม Checkpoints ที่สร้างขึ้นบนเซิร์ฟเวอร์ GPU โดยอัตโนมัติได้หรือไม่

ไฟล์ Checkpoint สามารถตั้งค่าให้ไป Storage ตามตารางเวลา ในเหตุการณ์ หรือตามคำขอของระบบภายนอก ไม่ว่า Checkpoint จะมีอยู่หรือไม่ และเลือกไฟล์ไหน ถูกตัดสินใจโดยระบบ AI ที่มีอยู่และการตั้งค่าการถ่ายโอน

INNORIX ทำ GPU Scheduling หรือ AI Training เองหรือไม่

ไม่ GPU Provisioning Scheduling Training และ AI Pipeline ได้รับการจัดการโดยโครงสร้างพื้นฐานที่มีอยู่ INNORIX ดำเนินการเคลื่อนไฟล์ที่งานต้องการ

สามารถรวมเข้ากับ AI Orchestrator ที่มีอยู่ เช่น Kubeflow ได้หรือไม่

Orchestrator ที่มีอยู่สามารถขอการถ่ายโอนไฟล์ผ่าน API และตรวจสอบผลการเสร็จสิ้น การรวมกับ Framework เฉพาะต้องทบทวนกับ API จริง และสภาพแวดล้อม Runtime

สามารถตั้งค่า Training เพื่อเริ่มต้นหลังจากการถ่ายโอนเสร็จสิ้นได้หรือไม่

Orchestrator ที่มีอยู่สามารถยืนยันผลการเสร็จสิ้นการถ่ายโอนและเริ่มต้น Training คำขอการถ่ายโอนที่ยอมรับและข้อมูลที่ส่งมอบจริง ๆ ต้องเก็บแยกต่างหาก

จะเกิดอะไรขึ้นหากเครือข่ายถูกขัดจังหวะระหว่างการถ่ายโอน Dataset

ใช้คุณลักษณะ Resume และ Retry ที่รองรับเพื่อดำเนินการถ่ายโอนที่ถูกขัดจังหวะต่อ ระดับการกู้คืนไปได้ขึ้นอยู่กับประเภทไฟล์และสภาพแวดล้อมการถ่ายโอน

สามารถใช้ได้เมื่อเซิร์ฟเวอร์ GPU เปลี่ยนแปลงทุกครั้งหรือไม่

Endpoint GPU ที่ Scheduler ที่มีอยู่เลือกสามารถเชื่อมต่อเป็น Target การถ่ายโอนได้ การจัดการ Endpoint ที่แตกต่างในเวลา Execution อธิบายอย่างละเอียดบนหน้าผลิตภัณฑ์ Dynamic Endpoint Transfer

ฉันสามารถตรวจสอบความก้าวหน้าและผลลัพธ์ของ AI Data Delivery ได้ที่ไหน

Runs ใน INNORIX Studio แสดงความก้าวหน้าการถ่ายโอนและผลการเสร็จสิ้น ระบบ AI ที่มีอยู่สามารถรวมผ่าน API ที่รองรับเพื่อสอบถามสถานะและผลลัพธ์

ทุกความสามารถเหล่านี้อยู่บนแพลตฟอร์มเดียว

ความสามารถในหน้านี้เป็นหนึ่งในฟีเจอร์การโอนย้ายไฟล์ มากมายที่ INNORIX Platform มีให้ ตั้งแต่การโอนย้ายไฟล์ไปจนถึงการทำงานอัตโนมัติและการดำเนินงานแบบครบวงจร ลองใช้ทุกฟีเจอร์ได้ฟรี

เริ่มต้นใช้งานฟรี

มองหาการส่งมอบข้อมูลสำหรับ AI หรือไม่

เราจะทบทวนการตั้งค่าการถ่ายโอนที่คุณต้องการสำหรับสภาพแวดล้อม Storage และ GPU ที่คุณรันอยู่แล้ว

  • การตรวจสอบการเชื่อมต่อ Storage และ GPU Environment
  • ตั้งค่าการถ่ายโอน Dataset ขนาดใหญ่
  • การเชื่อมต่อกับ AI Pipeline ที่มีอยู่

เราใช้รายละเอียดเหล่านี้เพื่อตอบคำสอบถามของคุณเท่านั้น ดูข้อมูลของเรานโยบายความเป็นส่วนตัว.