GPU-BESCHLEUNIGUNG IHRER
​​​​​​​DATENANALYSE-WORKFLOWS

Workflows für die Datenwissenschaft waren bisher langsam und schwerfällig. Dabei sind sie beim Laden, Filtern und Bearbeiten von Daten sowie beim Training und Bereitstellen von Modellen von CPUs abhängig. Grafikprozessoren reduzieren die Infrastrukturkosten erheblich und bieten überragende Leistung für End-to-End-Workflows für Datenwissenschaft mithilfe von NVIDIA RAPIDS™-Bibliotheken. Grafikprozessorbeschleunigte Datenwissenschaft ist überall verfügbar – auf dem Desktop, im Rechenzentrum, in der Peripherie und in der Cloud.

Maximieren Sie die Produktivität

Verringern Sie die Wartezeit, um die wertvollsten Erkenntnisse zu erhalten, und beschleunigen Sie den ROI.

MEHR ERREICHEN

Beschleunigen Sie das Training für maschinelles Lernen um das bis zu 215-fache und führen Sie mehr Iterationen, mehr Experimente und tiefere Erkundungen durch.

KOSTENEFFIZIENZ

Reduzieren Sie die Kosten für die Data-Science-Infrastruktur und steigern Sie die Effizienz des Rechenzentrums.

APACHE SPARK 3.0 beschleunigt MIT RAPIDS GRAFIKPROZESSORen

Version 3.0 ist die erste Version von Spark, die vollständig integrierte und nahtlose Grafikprozessorbeschleunigung für Analysen und KI-Workloads bietet. Nutzen Sie die Vorteile von Spark 3.0 mit Grafikprozessoren entweder lokal oder in der Cloud – ohne den Code jeweils ändern zu müssen. Die bahnbrechende Leistung von Grafikprozessoren ermöglicht es Unternehmen und Forschern, größere Modelle häufiger zu trainieren – und damit den Wert von Big Data mit der Leistung von KI zu erschließen.

XGBOOST-SCHULUNG FÜR NVIDIA GPUS

Der grafikprozessorbeschleunigte XGBoost von NVIDIA ermöglicht dem weltweit führenden maschinellen Lernalgorithmus Leistungssteigerungen bei Spielen. Mit deutlich schnellerer Trainingsleistung gegenüber CPUs können Datenwissenschaftsteams größere Datensätze bewältigen, schneller iterieren und Modelle für maximale Vorhersagegenauigkeit und Geschäftswert optimieren.
Data Prep Image
CPU: Core i9 | End-to-end time = Data Prep + Conversion + Training + Validation
XGBoost Image
End to end Image

DATENWISSENSCHAFTS-LÖSUNGEN

Titan RTX GPU

PC

Mit maschinellem Lernen vertraut machen.

RTX Workstations Laptop Monitor

Quadro

Professionelle Workstations für maschinelles Lernen.

DGX Server

Cloud & Rechenzentrum

NVIDIA-zertifizierte Systeme für Unternehmen für die Ausführung moderner KI-Workloads

RAPIDS: NEUE SOFTWAREBIBLIOTHEKEN FÜR DATENWISSENSCHAFT

RAPIDS beruht auf mehr als 15 Jahren NVIDIA® CUDA®-Entwicklung und Expertise in maschinellem Lernen. Es handelt sich um eine leistungsstarke neue Software zur vollständigen Ausführung durchgehender Datenwissenschafts-Lernpipelines in der GPU, wodurch die Lernzeit von Tagen auf Minuten schrumpft.

MASCHINELLES LERNEN BIS TIEFES LERNEN:
​​​​​​​ALLES AUF DER GPU

Machine Learning Stack Image

SCHNELLERE END-TO-END-GESCHWINDIGKEITEN IN STROMSCHNELLEN

Machine Learning Stack Image

NOCH HEUTE RAPIDS NUTZEN

RAPIDS-Bibliotheken sind Open-Source, in Python geschrieben und bauen auf Apache Arrow auf. Die Software wird zusammen mit Open-Source-Gemeinschaften weltweit entwickelt. Laden Sie RAPIDS herunter, die Beschleunigung Ihres maschinellen Lernens sowie Ihrer Datenwissenschafts-Workflows.
RAPIDS, eine GPU-beschleunigte Data-Science-Plattform, ist ein Berechnungsökosystem der nächsten Generation, das auf Apache Arrow basiert. Die Zusammenarbeit von NVIDIA und Ursa Labs wird das Innovationstempo bei den Arrow-Kernbibliotheken beschleunigen und zu erheblichen Leistungssteigerungen bei Analysen und Feature-Engineering-Workloads beitragen.
Wes McKinney, Leiter von Ursa Labs und Schöpfer von Apache Arrow und Pandas
Ich habe mit RAPIDS XGBOOST eine 24-fache Beschleunigung erreicht und kann jetzt Hunderte von CPU-Knoten ersetzen, indem ich meine größte ML-Arbeitslast auf einem einzigen Knoten mit 8 GPUs ausführe. Sie haben XGBOOST zu schnell gemacht!?
Streaming Media Unternehmen
Mein früherer Engpass war die E/A. ...10 Minuten, um Daten für 10 Filialen (etwa 1 Million Zeilen) einzuholen. Mit RAPIDS können wir in weniger als 3 Minuten Daten für etwa 6000 Filialen (Millionen von Zeilen) abrufen. Für diese Größenordnung hätten wir mit der alten Infrastruktur leicht 4 Tage gebraucht ... einfach fantastisch.
Ein mittelgroßes Fachgeschäft mit 6000 Filialen