Типичный сценарий, который описывает архитектор «Скала^р»: компания решает развернуть ИИ-агентов внутри периметра, потому что внешнему провайдеру нельзя отдавать конфиденциальные данные, модель нужно дообучать на внутренних данных, а регулятор требует своего. Так появляется необходимость в собственной инфраструктуре, и заказчик выбирает между самостоятельной сборкой и готовым программно-аппаратным комплексом. На этапе пилота самосбор выглядит рабочим: каждый компонент совместим, GPU-драйвер дружит с CUDA, контейнеры запускаются. Через два-три месяца начинаются проблемы на стыке слоёв — утечки памяти под нагрузкой, потеря данных при распределённом обучении, деградация сетевых каналов.
Причина в том, что интеграционное тестирование под реальной ИИ-нагрузкой стоит дорого и требует экспертизы, которой у заказчика на момент закупки ещё нет. Вендор проходил этот путь на этапе создания «Скала^р МИИ» и зафиксировал результат как продукт: связка «железо + ОС + Kubernetes + GPU-стек + сетевой стек» приезжает уже протестированной. По оценке «Скала^р», самостоятельная сборка занимает 2–4 месяца интеграции и постоянной отладки, а готовый ПАК — 1–2 недели установки. Разница в производительности ML/ИИ-задач — «типовая с непредсказуемыми провалами» против стабильных +200–300%.
| Критерий | Самостоятельная сборка | «Скала^р МИИ» |
|---|---|---|
| Время развёртывания | 2–4 месяца интеграции + постоянная отладка в проде | 1–2 недели установки + предсказуемое поведение |
| Производительность ML/AI-задач | «Типовая», с непредсказуемыми провалами | Стабильно +200–300% |
| Поддержка и устранение проблем | Инженеры разбираются сами | Техподдержка «из одного окна» |
Второй камень — выбор GPU. Заказчики часто настаивают на H100, хотя под задачу это может быть избыточно: счёт за электричество и охлаждение превышает рентабельность. «Скала^р МИИ» не привязан к одной платформе: для крупных LLM предлагается стек NVIDIA с Transformer Engine и FP8 — до 30x ускорения инференса, тензорными ядрами, NVLink до 900 ГБ/с и MIG для разделения карты до семи инстансов; H200 добавляет память HBM3e до 141 ГБ. Для миграции на альтернативное оборудование — китайские GPU с архитектурой MUSA, CUDA-совместимостью и возможностью обучения LLM до 100 млрд параметров. Все платформы доступны через одинаковые оптимизированные контейнеры.
