GPU怎样帮助BI和AI融合？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-11-27
企业受到计算能力和人员能力的限制
现在GPU硬件加速正在彻底改变高性能计算，例如企业可以仅用GPU加速数据库的30个节点替换其300个节点的数据库集群，好处是显而易见的十分之一，比其他内存分析解决方案快得多，可节省大量数据中心运营成本，并具有更大的部署灵活性，简而言之，公司可以利用GPU的强大功能来获得的性能，以摄取探索和可视化运动和静止的数据，三种融合的技术趋势使组织能够以简单且经济高效的方式提供实时分析和机器学习/人工智能
趋势1：向GPU的转变
数据中心，车辆和手机中图形处理单元（GPU）的兴起是的技术趋势之一，以显着较小的硬件和能源占用量带来了更多数量级的计算能力。这些由芯片制造商NVIDIA制造的处理器初是专门为图像处理而设计的，它们非常适合更广泛的应用程序，因为它们将数千个内核封装到每个设备中-非常适合分布式，可扩展的并行处理应用程序，例如高性能数据库。
GPU与标准CPU的显着不同之处在于，与通常具有8或16核的CPU相比，当今的GPU每个设备具有大约4,500核（计算单元）。这将计算量大的应用程序和大数据应用程序首次带入大多数企业的支持范围，由于GPU高度集中的计算能力，企业还可以部署比以前更少的硬件，实际上企业报告说，当将GPU添加到组合中时，它们将在服务器硬件的十分之一至四十分之一之间进行部署。
GPU也恰逢时机：这是一个不便的事实，即CPU设计已无法跟上摩尔定律所预测的过去52年的发展步伐（每18-24个月将CPU性能提高一倍），此外传统的仅使用CPU的解决方案在处理数据爆炸问题方面远远落后于其他人，一些研究表明，CPU的物理限制可能会在2020年达到，企业可以通过在GPU上添加诸如GPU之类的“辅助”技术来缓解这种情况。混合。
如今哪些类型的企业在使用GPU？许多银行使用GPU进行创新已有五年多了，并且是早意识到其价值的企业之一，拥有数千个GPU的庞大集群，这些集群被部署为运行算法，包括对快速变化的模拟进行仿真，流传输交易数据以计算风险，例如，这对于合规性至关重要。
趋势2：内存处理
随着存储器成本的持续下降和服务器存储器容量的增加，有必要利用半导体主存储器作为您的主要数据存储来代替磁旋转磁盘或SSD存储器，或作为其主要数据存储。内存具有其与计算机CPU（以及GPU）之间的出色速度的独特优势。从字面上看，这是保存和处理数据的位置。
美国邮政服务是美国的物流实体，这是一个利用内存处理和GPU的企业。与一年之内UPS，FedEx和DHL的总和相比，企业在四个小时内运送更多的个人物品。由于每分钟有20万台设备发出其位置信息-每天捕获的事件超过四分之一，因此USPS转向了GPU加速的数据库，以满足其对分析和路由优化的要求。
趋势3：BI和AI融合
我要讨论的第三个趋势是将关系数据库工作负载与机器智能和人工智能（AI）应用程序混合在单个解决方案和单个数据副本中，通过将前两个趋势与开源软件库相结合，使之能够实现跨各种任务的机器学习，从而使之成为可能，深度学习框架、机器学习和神经网络框架，这些库可能非常耗费计算资源，尤其是在海量数据集上，并且经过专门设计以受益于GPU功能和内存处理。
谁在利用这三个趋势？
在公用事业和能源，医疗保健，基因组研究，汽车，零售，电信和许多其他行业中，可以找到许多部署GPU加速的内存数据库解决方案的创新者，采纳者将传统和交易数据，流数据以及来自博客，论坛，社交媒体源，轨道图像和其他物联网设备的数据组合在一个分布式，可扩展的解决方案中，企业可以在同一个数据库中运行复杂的数据科学工作负载，该数据库包含运行业务和推动日常决策所需的丰富信息，由于没有任何数据移动，因此可以巧妙地解决数据移动的难题，从而导致更简单的Lambda架构以及更高效的ML和AI工作负载。Quants，数据科学家和分析师可以通过简单的API调用从深度学习框架中部署模型，或者在所有数据上训练他们的模型；用户无需学习新的编程语言即可体验GPU的优势和内存处理。
现在GPU硬件加速正在彻底改变高性能计算，例如企业可以仅用GPU加速数据库的30个节点替换其300个节点的数据库集群，好处是显而易见的十分之一，比其他内存分析解决方案快得多，可节省大量数据中心运营成本，并具有更大的部署灵活性，简而言之，公司可以利用GPU的强大功能来获得的性能，以摄取探索和可视化运动和静止的数据，三种融合的技术趋势使组织能够以简单且经济高效的方式提供实时分析和机器学习/人工智能
趋势1：向GPU的转变
数据中心，车辆和手机中图形处理单元（GPU）的兴起是的技术趋势之一，以显着较小的硬件和能源占用量带来了更多数量级的计算能力。这些由芯片制造商NVIDIA制造的处理器初是专门为图像处理而设计的，它们非常适合更广泛的应用程序，因为它们将数千个内核封装到每个设备中-非常适合分布式，可扩展的并行处理应用程序，例如高性能数据库。
GPU与标准CPU的显着不同之处在于，与通常具有8或16核的CPU相比，当今的GPU每个设备具有大约4,500核（计算单元）。这将计算量大的应用程序和大数据应用程序首次带入大多数企业的支持范围，由于GPU高度集中的计算能力，企业还可以部署比以前更少的硬件，实际上企业报告说，当将GPU添加到组合中时，它们将在服务器硬件的十分之一至四十分之一之间进行部署。
GPU也恰逢时机：这是一个不便的事实，即CPU设计已无法跟上摩尔定律所预测的过去52年的发展步伐（每18-24个月将CPU性能提高一倍），此外传统的仅使用CPU的解决方案在处理数据爆炸问题方面远远落后于其他人，一些研究表明，CPU的物理限制可能会在2020年达到，企业可以通过在GPU上添加诸如GPU之类的“辅助”技术来缓解这种情况。混合。
如今哪些类型的企业在使用GPU？许多银行使用GPU进行创新已有五年多了，并且是早意识到其价值的企业之一，拥有数千个GPU的庞大集群，这些集群被部署为运行算法，包括对快速变化的模拟进行仿真，流传输交易数据以计算风险，例如，这对于合规性至关重要。
趋势2：内存处理
随着存储器成本的持续下降和服务器存储器容量的增加，有必要利用半导体主存储器作为您的主要数据存储来代替磁旋转磁盘或SSD存储器，或作为其主要数据存储。内存具有其与计算机CPU（以及GPU）之间的出色速度的独特优势。从字面上看，这是保存和处理数据的位置。
美国邮政服务是美国的物流实体，这是一个利用内存处理和GPU的企业。与一年之内UPS，FedEx和DHL的总和相比，企业在四个小时内运送更多的个人物品。由于每分钟有20万台设备发出其位置信息-每天捕获的事件超过四分之一，因此USPS转向了GPU加速的数据库，以满足其对分析和路由优化的要求。
趋势3：BI和AI融合
我要讨论的第三个趋势是将关系数据库工作负载与机器智能和人工智能（AI）应用程序混合在单个解决方案和单个数据副本中，通过将前两个趋势与开源软件库相结合，使之能够实现跨各种任务的机器学习，从而使之成为可能，深度学习框架、机器学习和神经网络框架，这些库可能非常耗费计算资源，尤其是在海量数据集上，并且经过专门设计以受益于GPU功能和内存处理。
谁在利用这三个趋势？
在公用事业和能源，医疗保健，基因组研究，汽车，零售，电信和许多其他行业中，可以找到许多部署GPU加速的内存数据库解决方案的创新者，采纳者将传统和交易数据，流数据以及来自博客，论坛，社交媒体源，轨道图像和其他物联网设备的数据组合在一个分布式，可扩展的解决方案中，企业可以在同一个数据库中运行复杂的数据科学工作负载，该数据库包含运行业务和推动日常决策所需的丰富信息，由于没有任何数据移动，因此可以巧妙地解决数据移动的难题，从而导致更简单的Lambda架构以及更高效的ML和AI工作负载。Quants，数据科学家和分析师可以通过简单的API调用从深度学习框架中部署模型，或者在所有数据上训练他们的模型；用户无需学习新的编程语言即可体验GPU的优势和内存处理。
那些处理迅速增长的数据量，不可接受的延迟，高成本，复杂性或技能差距的组织正在转向基于GPU的内存数据库来捕获和更好地理解其数据，可视化见解并为明天的数据挑战和机遇做准备-驱动创新。
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
