AI и ML: инфраструктура на вашей стороне

Обучаете свою модель или дообучаете готовую

Если задача — обучение модели с нуля или дообучение (fine-tuning) готовой модели на своих данных, отправная точка — раздел GPU-серверы: там подбирается конфигурация под конкретную нагрузку. Если такие эксперименты идут постоянно и в них участвует несколько человек — имеет смысл посмотреть ML-платформу, которая добавляет вокруг вычислений хранилище датасетов и базу метаданных экспериментов.

Нужно развернуть готовую модель у себя

Если модель обучать не нужно — достаточно готовой открытой модели, но требование в том, чтобы данные не покидали вашу инфраструктуру, — это раздел Foundation Models: помогаем выбрать модель под задачу и развернуть её на своём GPU-сервере с API поверх неё.

Приложению нужен доступ к нескольким AI-моделям

Когда приложение уже обращается или должно обращаться к нескольким моделям или провайдерам одновременно — внешним API и self-hosted моделям вперемешку — AI-роутер убирает эту сложность из кода приложения на уровень инфраструктуры: единая точка входа, балансировка и логирование запросов.

Нужна готовая AI-функциональность, а не инфраструктура

Если цель — не собирать инфраструктуру самостоятельно, а быстро получить рабочую AI-функциональность (чат-бот по базе знаний, автоматизация обработки заявок), проще начать с AI-маркетплейса: готовые шаблоны разворачиваются на вашей инфраструктуре и донастраиваются под конкретную задачу.