iRender
Cloud Computing Service

AI(Artificial Intelligence) Trí tuệ nhân tạo bao gồm nhiều lĩnh vực nghiên cứu, từ thuật toán di truyền đến các hệ thống chuyên gia và cung cấp phạm vi cho các lập luận về những gì cấu thành AI.

Trong lĩnh vực nghiên cứu AI, Machine Learning đã đạt được thành công đáng kể trong những năm gần đây – cho phép máy tính vượt qua hoặc tiến gần đến việc kết hợp hiệu suất của con người trong các lĩnh vực từ nhận dạng khuôn mặt đến nhận dạng giọng nói và ngôn ngữ.

Machine Learning là quá trình dạy máy tính thực hiện một nhiệm vụ, thay vì lập trình nó làm thế nào để thực hiện nhiệm vụ đó từng bước một.

Deep Learning (Học sâu) là một tập hợp con của Machine Learning, có khả năng khác biệt ở một số khía cạnh quan trọng so với Machine Learning nông truyền thống, cho phép máy tính giải quyết một loạt các vấn đề phức tạp mà Machine Learning thông thường không thể giải quyết được.

Deep Learning tập trung giải quyết các vấn đề liên quan đến mạng thần kinh nhân tạo nhằm nâng cấp các công nghệ như nhận diện giọng nói, tầm nhìn máy tính và xử lý ngôn ngữ tự nhiên. Deep learning đang trở thành một trong những lĩnh vực hot nhất trong khoa học máy tính. Chỉ trong vài năm, Deep learning đã thúc đẩy tiến bộ trong đa dạng các lĩnh vực như nhận thức sự vật (object perception), dịch tự động (machine translation), nhận diện giọng nói,… – những vấn đề từng rất khó khăn với các nhà nghiên cứu trí tuệ nhân tạo.

Deep Learning được ứng dụng vào rất nhiều ngành công nghiệp bao gồm xe hơi tự hành, phát hiện các bệnh lý, công nghệ điện toán, nhận diện giọng nói và các ứng dụng trí tuệ. Cũng như các thuật toán Machine Learning, Deep Learning cũng dựa trên các thuật toán phức tạp và kỹ thuật thống kê. Artificial Neural Network (ANN), Convolutional Neural Networks(CNN) và Recurrent Neural Network (RNN) là những ứng dụng của deep learning hiện đại – mạng lưới này mô phỏng tương tự như mạng lưới thần kinh của con người. Mỗi một loại network thần kinh được sắp xếp với những use case phức tạp, như: việc phân loại, clustering và dự đoán. Ví dụ, nhận diện hình ảnh và nhận diện khuôn mặt sử dụng CNN, trong khi xử lý ngôn ngữ – Natural Language Processing (NLP) sử dụng RNN. ANN, là network đơn giản hơn, thường được sử dụng để dự đoán, khi liên quan nhiều đến số liệu.

Câu trả lời đơn giản, GPU giúp tăng tốc tốc độ xử lý lên gấp rất rất nhiều lần so với việc sử dụng CPU.

GPU (viết tắt của từ Graphics Processing Unit) hay còn gọi là bộ xử lý đồ họa ra đời từ rất sớm vào những năm 1980 dưới dạng các chip đồ họa, thuật ngữ GPU được biết đến rộng rãi khi Nvidia ra mắt sản phẩm đầu tiên của mình. Mục đích của GPU trước khi Deep Learning xuất hiện chủ yếu là để hỗ trợ CPU trong việc đảm nhiệm nhiệm vụ tái tạo hình ảnh, làm tươi và vẽ lại khung hình cho các thiết bị hiển thị lên màn hình.

Để làm được chuyện đó GPU có cấu tạo rất khác biệt so với CPU:

• Trong khi CPU có rất ít core  (khoảng từ 4 đến 24 cores) thì GPU có đến cả ngàn cores, nếu so sánh 1 – 1, mặc dù mỗi 1  core của GPU yếu hơn so với CPU nhưng đổi lại chúng có số lượng lớn hơn gấp nhiều lần. Yếu ở đây có nghĩa là mặc dù core của CPU ít hơn nhưng mỗi core của CPU có khả năng tính toán những biểu thức rất phức tạp, core của GPU nhiều hơn nhưng mỗi core của nó chỉ dùng cho các phép tính đơn giản.
• Băng thông của GPU lớn hơn nhiều so với CPU.

Sở dĩ GPU có cấu tạo như vậy với mục đích có thể xử lý song song đồ họa và làm tươi khung hình một cách nhanh chóng. Song song ở đây có nghĩa là các công việc được thực hiện cùng 1 lúc thay vì xếp hàng chờ.

Deep Learning chỉ nổi lên đình đám vào năm 2014 bởi lý do duy nhất đó là thời đại dữ liệu bùng nổ và bộ xử lý máy tính đã đủ mạnh. Bởi vì khi thực hiện training (học) dữ liệu, mô hình Deep Learning thực hiện hàng triệu đến hàng trăm triệu các phép toán tích chập, tích vô hướng, … trên ma trận đa chiều và thật may mắn, các phép toán này đều có thể chạy song song được.

Giả sử CPU chỉ có 24 người làm việc mà phải phục vụ 100 triệu người thì chắc chắn trong thời gian phục vụ người này, người kia phải chờ, nói cách khác là tốc độ thực thi rất rất chậm, GPU có khoảng 30.000 – 85.000 người làm việc thì công việc sẽ nhanh hơn rất nhiều.

Server 1 Specs :
GPU : 2X GTX 1080Ti 11GB vRAM.
CPU : Dual Xeon Servers E5 @2.66 GHZ.
RAM: 128 GB.
SSD: 256 GB
Server 2 Specs :
GPU : 6X GTX 1080Ti 11GB vRAM.
CPU : Dual Xeon Servers E5 @2.66 GHZ.
RAM: 128 GB.
SSD: 512 GB
Server 3 Specs :
GPU : 12X GTX 1080Ti 11GB vRAM.
CPU : Dual Xeon Servers E5 @2.66 GHZ.
RAM: 256 GB.
SSD: 2TB

(*) Ngoài ra, chúng tôi còn có những dòng cấu hình máy chuyên nghiệp phục vụ cho AI Inference, AI Training, Deep Learning, VR/AR…Với kiến trúc Turing: 6/12 x RTX 2080Ti, 11GB vRAM, kiến trúc Pascal: 6/12 x NVIDIA TITAN Xp, 12GB vRam. Hoặc bất kỳ cấu hình nào bạn yêu cầu, vui lòng liên hệ trực tiếp để được phục vụ. Chân thành cảm ơn.

Chúng tôi cung cấp 100% hiệu suất GPU được thiết lập trên máy vật lý, lý do là:

1. Luôn đảm bảo 1 khách hàng duy nhất trên 1 máy vật lý, không ảo hóa, không chia sẻ tài nguyên CPU, RAM, SDD…an toàn và hiệu quả hơn.
2. Hiệu suất luôn đạt 100%. Tất cả tài nguyên của máy vật lý là của bạn.
3. Không có giới hạn nào về việc can thiệp tài nguyên, bất kỳ trình ảo hóa nào cũng đều có giới hạn can thiệp tài nguyên, không ảo hóa = không có giới hạn.

Ngay khi xây dựng hệ thống, ưu tiên của chúng tôi là bảo mật và quyền riêng tư, chúng tôi chọn các dịch vụ điện toán của Amazon AWS làm nền tảng để hiện thực hóa các yêu cầu:
1. Toàn bộ nền tảng lưu trữ dữ liệu của hệ thống iRender được xây dựng trên nền tảng dịch vụ của Amazon AWS S3, thừa hưởng tất cả những công nghệ bảo mật tiên tiến nhất của thế giới mà Amazon S3 đang trang bị cho dịch vụ điện toán đám mây của chính mình các bạn có thể tìm hiểu chi tiết tại đây. Điều ấy có nghĩa là, mọi dữ liệu về môi trường làm việc (Images) và dữ liệu của khách hàng được mã hóa tuân theo tiêu chuẩn chặt chẽ về bảo mật của Amazon AWS.
2. Phần mềm chuyển dữ liệu GPUhub_Sync được base trên nền tảng sFtp (Secure Shell  File Transfer Protocol ) (AWS Transfer for SFTP) trên nền dịch vụ AWS Tranfer  và cổng tiếp nhận AWS sFtp Server, bạn cũng có thể tham khảo tại đây, tất cả những dữ liệu của các bạn cũng được mã hóa và tuân thủ những nguyên tắc bảo mật chặt chẽ nhất của thế giới.
3. Công ty iRender Việt Nam cũng cung cấp cho các khách hàng quốc tế, và nội địa một hợp đồng Bảo Mật (NDA) tại đây để các bạn có thể tham khảo và hiểu rõ hơn dịch vụ của chúng tôi.
Chân thành cảm ơn.

Deep Learning là công nghệ học sâu rất phụ thuộc vào lượng dữ liệu lớn, chính vì thế, iRender đã đặc biệt hỗ trợ việc di chuyển dữ liệu lớn của bạn, bằng rất nhiều cách mạnh mẽ và an toàn.

Bạn có thể chuyển dữ liệu trực tiếp đến máy chủ bằng phần mềm GpuHub Sync(sFTP/FTP) của chúng tôi hoặc các dịch vụ (sFTP, FTP) phổ biến như CyberDuck, Filezilla, dịch vụ đám mây ( Dropbox, Google Drive, One Driver…) hoặc bằng cách sao chép trực tiếp qua RDP. Hỗ trợ đặc biệt và duy nhất trên thế giới của chúng tôi, tập tin có thể được chuyển bất kỳ lúc nào, không cần khởi động máy chủ giúp bạn tiết kiệm tối đa chi phí. Nếu có bất kỳ khó khăn nào, đừng ngần ngại liên hệ ngay với chúng tôi để được hỗ trợ.

Chúng tôi hiểu việc Setup môi trường làm việc phù hợp với bạn là rất quan trọng, bao gồm các phần mềm đã cài đặt, thiết lập, thư viện…Nên hiện tại, chúng tôi sẽ lưu trữ miễn phí môi trường làm việc (Images) của bạn trong 30 ngày, kể từ ngày bạn có hoạt động cuối cùng trên nền tảng iRender Farm, hết thời gian trên hệ thống sẽ tự động rà soát và loại bỏ các Images không hoạt động, nếu có yêu cầu đặc biệt khác, vui lòng liên hệ trực tiếp với chúng tôi để được phục vụ. Chân thành cảm ơn

Google sử dụng Deep learning để xây dựng hệ thống nhận dạng giọng nói và hình ảnh của họ.

Netflix và Amazon sử dụng Deep learning để hỗ trợ các công cụ đề xuất của họ (tức là phân tích lượng lớn dữ liệu để giới thiệu sản phẩm hoặc phương tiện truyền thông cho người tiêu dùng).

Các dịch vụ dịch thuật như Google Translate và SpanishDicta sử dụng Deep learning để tạo ra các bản dịch chính xác hơn.

Các hệ thống và ứng dụng GPS như Maps và Waze thông qua Deep learning để sử dụng trải nghiệm của các trình điều khiển khác nhằm đưa ra các hướng dẫn cho các trình điều khiển trong ứng dụng.

Như các bạn đã thấy, ứng dụng Deep learning ngày càng phổ thông và đi sâu vào mọi thành phần của kinh doanh cũng như cuộc sống thường nhật của con người, nhu cầu về 1 nền tảng toàn diện phát triển cung cấp đầy đủ hạ tầng từ phần cứng vật lý (CPUs & GPUs) cho đến môi trường phát triển IDEs cho các Kỹ Sư về Deep learning xây dựng sản phẩm của họ là rất lớn và cần thiết. Đó là lý do chúng tôi ở đây.

Thực tiễn đang khiến Deep learning đi vào cùng một khuôn khổ giống như phát triển phần mềm truyền thống vậy. Các công cụ đầy đủ cung cấp cho các doanh nghiệp quyền kiểm soát việc thực hiện đó. iRender Cloud quản lý việc phát triển mô hình để triển khai và bảo trì. Một nền tảng xử lý Deep learning từ đầu đến cuối (Đầy đủ cả phần hạ tầng vật lý & IDE cho phần mềm) sẽ giúp tối ưu hóa năng suất ở từng giai đoạn.

Để đánh giá một nền tảng dịch vụ cho khoa học dữ liệu lớn cần trả lời được các câu hỏi sau:

• Việc di chuyển dữ liệu lớn đến nền tảng có dễ dàng và an toàn?
• Việc đáp ứng hạ tầng vật lý (CPUs & GPUs) khi cần thay đổi có mạnh mẽ và linh hoạt?
• Việc tích hợp các IDE cơ bản có đầy đủ ? và tích hợp thêm nền tảng mới có dễ dàng?
• Giá cả về dài hạn và ngắn hạn có thực sự hiệu quả?

iRender GPU Cloud Platform đã giải quyết trọn vẹn các vấn đề trên cho bạn.

• Nền tảng chuyển dữ liệu lớn mạnh mẽ GPUhub-Sync và lưu trữ dữ liệu của bạn, được chúng tôi xây dựng  và tích hợp hoàn chỉnh trên dịch vụ AWS S3 của Amazon, hiệu suất cao, mở rộng không giới hạn, đảm bảo những tiêu chuẩn bảo mật cao nhất. Việc bạn di chuyển dữ liệu lớn trên toàn cầu đến iRender Cloud đã được giải quyết triệt để và vô cùng dễ dàng khi sử dụng.
• Toàn bộ hệ thống Data Center của chúng tôi với hơn 20.000 cores (CPUs & GPUs) giúp bạn thay đổi, mở rộng và tùy biến hạ tầng theo mọi nhu cầu quy mô dự án của bạn chỉ với vài Clicks.
• Bạn hoàn toàn tùy chọn dùng sẵn những môi trường mẫu mà chúng tôi đã tích hợp các nền tảng phổ biến như : TensorFlow Enterprise, TensorFlow, PyTorch, MXNet, Keras, CNTK, Jupyter, Anaconda…hoặc lựa chọn tự xây dựng môi trường phù hợp với dự án của bạn, sau đó lưu lại và dùng vĩnh viễn theo vòng đời dự án của bạn. Việc tích hợp thêm nền tảng, nếu bạn có yêu cầu, đội ngũ support 24/07 của chúng tôi sẽ cài đặt giúp bạn để hoàn thiện môi trường làm việc nhanh nhất.
• Chúng tôi cung cấp dịch vụ dưới mô hình PaaS (Platform as a Service) hoàn toàn tự động, được tính tiền chính xác theo từng giây sử dụng, tương tự như những hệ thống dịnh vụ điện toán đám mây lớn của thế giới như AWS Cloud, Microsoft Azure… nhưng với giá thành rẻ bằng 1/10 đến 1/12. Bạn chỉ trả cho những gì bạn dùng, bạn có thể chọn chi trả linh hoạt theo ngày, theo tháng, theo giờ hay bất kỳ kế hoạch nào mà bạn cảm thấy phù hợp.

Để sử dụng dịch vụ trực tuyến tại iRender GPU, bạn phải mua điểm sử dụng, được gọi là iRender Points , Quy đổi theo giá trị (1 iRenderPoint = 23.000 VND với thị trường Việt Nam) và (1 iRenderPoint = $ 1 với thị trường quốc tế). Sau khi bạn nạp điểm iRP vào tài khoản, bạn có thể dùng nó để sử dụng dịch vụ bất kỳ lúc nào. Số điểm tối thiểu mỗi lần nạp là 25 iRp, tương đương 500.000 VND.

Bạn có thể thanh toán qua THẺ VISA, THẺ TÍN DỤNG, Paypal hoặc chuyển khoản trực tiếp vào tài khoản của chúng tôi. Nếu bạn ở Hà Nội chúng tôi hỗ trợ thêm phương thức thu tiền trực tiếp, vui lòng liên hệ ngay để có thông tin chi tiết.

 

Hotline: + (84) 919144004
Email: [email protected]

Theo mặc định, iRender tạo hóa đơn ngay sau khi nhận được thanh toán của bạn. Bạn có thể đăng nhập và kiểm tra trong phần quản lý thanh toán của mình. Ngoài ra, hệ thống sẽ tự động gửi hóa đơn vào email mà bạn đã đăng ký.

Hệ thống sẽ tự động tính phí khi máy chủ của bạn được bật, hệ thống sẽ tính phí theo từng giây sử dụng (Tương tự cách tính của AWS hoặc Azure) kết thúc tính phí được ghi nhận bằng việc tắt máy chủ, hóa đơn sẽ được tự động sinh ra, gửi đến email cho bạn.

Chúng tôi hoàn lại tiền bằng cách khôi phục điểm tín dụng (iRenderPoint) vào trực tiếp tài khoản cho bạn, nếu bạn không hài lòng với dịch vụ do một số lỗi trong cơ sở hạ tầng hoặc bất cứ điều gì chúng tôi chịu trách nhiệm. Hoàn trả điểm tín dụng(iRenderPoint) được xem xét trên cơ sở từng trường hợp cụ thể.

Chúng tôi không có chính sách quy đổi từ iRenderPoint thành tiền mặt dưới bất kỳ hình thức nào sau khi bạn đã nạp tiền dùng dịch vụ và đã được hưởng những chính sách chiết khấu, giảm giá, điểm thưởng của chúng tôi.

Bởi vì iRender Cloud sử dụng điện được tạo ra bởi năng lượng mặt trời. Tại Việt Nam, 80% các ngày trong năm là nắng, đó là một lợi thế lâu dài để đảm bảo chi phí năng lượng của chúng tôi luôn rẻ nhất.

Phần lớn chi phí duy trì một hạ tầng Cloud bất kỳ được cấu thành bởi 30%-35% là chi phí điện năng, khi chúng tôi đảm bảo chủ động được chi phí này ở mức tối ưu nhất, chúng tôi có điều kiện để giảm giá dịch vụ và duy trì việc này một cách dài hạn, bền vững cho khách hàng.