GPU-сервер в аренду: когда своя инфраструктура дешевле облака

Свой GPU-сервер обходится дешевле аренды, когда видеокарта загружена больше 50-60% времени в месяц на протяжении года и дольше. При редких или пиковых задачах — тестирование модели, разовый рендер, сезонный прогноз спроса — аренда выгоднее: платите за часы работы, а не за простаивающее оборудование и его обслуживание.

когда аренда GPU-сервера выгоднее покупки — и когда нет

Экономика простая на бумаге и сложная на практике. Облачный GPU считается по часам: NVIDIA A100 или H100 в аренде стоит от нескольких сотен до пары тысяч рублей в час в зависимости от провайдера и конфигурации. Если карта работает 4-6 часов в сутки для ночного пересчёта прогноза спроса, аренда почти всегда дешевле покупки — сервер с топовой видеокартой обычно стоит от полутора до нескольких миллионов рублей, и большую часть суток он бы простаивал.

Другая картина у компаний, где GPU нужен постоянно: обучение моделей компьютерного зрения для контроля качества на производстве, круглосуточный inference для рекомендательных систем интернет-магазина, рендер-ферма для видеопродакшена. При загрузке 16-20 часов в сутки собственное железо окупается ориентировочно за 8-14 месяцев и дальше работает почти бесплатно — платите только за электричество, охлаждение и обслуживание.

Есть и бухгалтерская сторона. Аренда списывается как текущий расход в месяце оплаты, а покупка сервера уходит в амортизацию на несколько лет — это влияет на налог на прибыль и на то, сколько денег компания замораживает в оборудовании прямо сейчас. Для быстрорастущей компании, которой важно не расходовать лимит на капитальные вложения в этом году, аренда иногда выгоднее даже при высокой загрузке.

почему счёт за облачный GPU растёт быстрее, чем нагрузка

Розничная сеть в Москве в прошлом сентябре подключила модель прогноза спроса: раз в сутки система пересчитывает потребность по 40 000 SKU и передаёт данные в учётную систему для автозаказа. Три месяца всё укладывалось в бюджет. Но в ноябре, когда к прогнозу спроса добавили ещё и сегментацию покупателей по фото с камер в зале, время работы GPU-инстанса выросло с четырёх до пятнадцати часов в сутки — поэтому счёт за аренду утроился, хотя штат аналитиков и объём данных почти не изменились.

Разница между «немного больше нагрузки» и «втрое больше счёт» — это и есть механика облачной аренды: тариф растёт линейно с часами работы карты, а не с эффективностью задачи. Если бизнес не считал заранее, сколько часов в месяц реально нужно GPU, финансовый директор узнаёт об этом из счёта, а не из плана. Ставка высокая: превышение бюджета срывает согласованный план по IT-расходам, а решение «срочно урезать нагрузку» откатывает проект на месяцы назад — модель, отключённую на середину сезона, придётся переобучать заново. Для проекта прогнозирования это особенно чувствительно: его обычно запускают ради снижения списаний и дефицита на складе, и если бюджет на GPU не защищён заранее, под сокращение первым попадает именно он — хотя он и должен был предотвратить эти потери.

что обычно упускают при расчёте аренды

В тариф провайдера редко попадает трафик на выгрузку данных, хранение датасетов и промежуточных чекпоинтов модели, а также время на разворачивание окружения — иногда это 20-30 минут простоя, за которые всё равно идёт оплата. При частой смене конфигурации, когда нужна карта помощнее под новую задачу, договор с облаком приходится пересматривать, а перенос обученной модели на другую инфраструктуру занимает дни инженерного времени.

как посчитать, что дешевле: свой сервер или аренда

Формула не требует сложной математики. Нужно посчитать три числа: сколько часов GPU реально работает в месяц, сколько стоит час аренды нужной конфигурации у провайдера и сколько стоит купить и обслуживать аналогичное железо самостоятельно — амортизация за 3 года, электричество, охлаждение, час работы сисадмина. Если сумма аренды за год превышает стоимость покупки и обслуживания за тот же период, покупка окупается. Ставка сисадмина или инженера сопровождения на аутсорсе в Москве начинается от 3800 руб/час, и эту цифру стоит закладывать в расчёт заранее, а не узнавать по факту первого инцидента с сервером.

что делать, если расходы на GPU продолжают расти каждый квартал

Если счёт за облачный GPU растёт квартал к кварталу быстрее, чем бизнес-показатели, которые эта модель обслуживает, — сигнал разобраться, а не урезать нагрузку вслепую. Сначала стоит выгрузить помесячную статистику часов работы карты у провайдера и сопоставить её с задачами: сколько часов ушло на обучение, сколько на inference, а сколько — на простой между запусками из-за неоптимального планировщика задач. Часто выясняется, что 20-30% оплаченных часов ушли на инстанс, который просто забыли остановить после расчёта.

Если после оптимизации расписания загрузка стабильно держится выше половины времени в месяц, это уже аргумент для перехода на собственный или выделенный сервер с фиксированной ежемесячной суммой вместо почасового тарифа. Если загрузка неровная и зависит от сезона — как в декабре перед новогодними продажами, — разумнее оставить почасовую аренду для пиковых периодов и не покупать железо под нагрузку одного месяца в году.

как предотвратить лишние траты на GPU-инфраструктуру

Дешевле предотвратить перерасход, чем разбирать его постфактум. Контроль стоит выстраивать на нескольких уровнях сразу.

• ✓считать точку окупаемости до заказа GPU, а не после первого счёта — с учётом амортизации, электричества и почасовой ставки обслуживания;
• ✓ставить лимиты и авто-остановку инстансов в облаке, чтобы забытая задача не работала лишние часы за счёт бюджета;
• ✓заранее делить нагрузку на постоянную, которая кандидат на свой сервер, и пиковую, которая остаётся на аренде, а не считать GPU одной статьёй расходов;
• ✓если данные, с которыми работает модель, подпадают под требования 152-ФЗ о персональных данных — как в случае с фото покупателей из камер в зале, — учитывать это при выборе локации сервера: размещение в российском дата-центре снимает вопросы к трансграничной передаче данных.

гибридная схема: часть на своём сервере, часть в аренде

Не обязательно выбирать один вариант целиком. Постоянную базовую нагрузку — например, ежедневный inference или регулярный пересчёт прогноза — можно перенести на выделенный сервер, а пиковые задачи вроде сезонного дообучения модели или разового рендер-проекта оставить на почасовой аренде. Такая схема снижает точку окупаемости своего железа, потому что оно почти никогда не простаивает, а бизнес всё ещё может докупать мощности под пик, не расширяя парк оборудования.

сколько стоит связать GPU-мощности с 1С и кто это настраивает

У большинства компаний, которые считают экономику GPU, рядом стоит вторая система — 1С, куда в итоге должен попасть результат расчёта: обновлённый прогноз спроса, сегмент покупателя, статус проверки качества. Технически это отдельная задача: нужен API-обмен, очередь заданий и обработчик, который примет результат модели и запишет его в нужные регистры. Это зона доработки 1С, а не настройки GPU-сервера, и её часто недооценивают на старте — в итоге модель обучена, а данные из неё в учётную систему так и не попадают.

Если компания только настраивает саму учётную систему — например, внедряет 1С:Управление торговлей для сети магазинов или переходит на 1С:ERP при росте оборота, — разумно сразу спроектировать точки интеграции с будущей аналитикой, а не пристраивать их постфактум. Старые версии 1С нередко не поддерживают нужный формат обмена, и до интеграции с GPU-моделью систему приходится обновлять. Требования к серверу для самой 1С стоит отдельно сверить с официальными системными требованиями 1С — они не совпадают с требованиями GPU-инстанса и часто занижены в типовых конфигурациях виртуальных машин.

Дальше вопрос обслуживания: если сервер свой, нужен человек, который следит за железом, обновлениями и обменом данных, — час работы сисадмина или подрядчика в Москве начинается от 3800 руб/час. Для сравнения, аренда обычного сервера под саму 1С без GPU стоит от 3300 руб/мес — сумма фиксированная и не зависит от того, сколько раз в день система обращается к базе. Развернуть выделенный сервер под гибридную схему обычно занимает 1-2 недели с учётом настройки обмена данными с 1С — это быстрее, чем закупка и монтаж собственного железа с нуля. Мы в ukved обычно начинаем с расчёта: сколько часов реально грузит GPU, что из этого можно оставить в аренде, а что перенести на выделенное железо, и как связать результат с 1С через доработку обмена данных — и уже от этого считаем, что дешевле в конкретном случае.

❓ Частые вопросы

С какого уровня загрузки GPU-сервера выгоднее покупать своё железо, а не арендовать?

Ориентир — 50-60% времени в месяц на протяжении года и дольше, а не разовый всплеск нагрузки. Если карта работает больше половины суток стабильно, покупка обычно окупается за 8-14 месяцев. При редкой или сезонной нагрузке аренда дешевле: не платите за простой оборудования, электричество и его обслуживание.

Сколько стоит своя GPU-инфраструктура для аналитики или ML-моделей?

Точная цена зависит от конфигурации видеокарты, количества серверов и требований к отказоустойчивости, поэтому называть её без расчёта неверно. Правильный подход — сначала посчитать реальную загрузку GPU по часам за месяц, а затем сравнить эту сумму со стоимостью аренды аналогичной конфигурации за тот же период.

Можно ли использовать один сервер и для GPU-задач, и для 1С?

Технически можно, но требования к серверу для 1С и для GPU-нагрузки разные, и их стоит проверять раздельно по официальным системным требованиям 1С. Чаще выгоднее развести нагрузки физически или по виртуальным машинам, чтобы пиковая GPU-задача вроде обучения модели не тормозила работу учётной системы.

Что делать, если данные для GPU-модели содержат персональные данные покупателей?

Нужно учитывать требования 152-ФЗ о персональных данных уже на этапе выбора сервера и локации хранения, особенно если данные включают фото или другие идентифицирующие сведения. Размещение в российском дата-центре снимает вопросы к трансграничной передаче и упрощает согласование с юристами и службой безопасности.

Кто обслуживает свой GPU-сервер после покупки?

Нужен сисадмин или подрядчик, который следит за железом, обновлениями драйверов, охлаждением и обменом данных с учётными системами вроде 1С. Почасовая ставка такого специалиста в Москве начинается от 3800 руб/час — эту статью расходов стоит закладывать в расчёт окупаемости сразу, а не после первой поломки.