По мере того, как аналитика данных становится все более распространенным явлением, вы можете задаться вопросом, какой процессор лучше всего подходит для таких сложных задач. Центральный и графический процессоры специализируются на разных задачах, но превосходны вместе.
Центральный процессор уже давно является стандартным чипом для выполнения большинства вычислительных задач, включая аналитику. Однако специализированные вычислительные и процессорные серверы теперь могут переносить задачи обработки графики на выделенный графический процессор, что повышает общую производительность.
Ограничения ЦП микропроцессора привели к появлению специализированных микросхем, таких как GPU, DPU или FPU, иногда называемых математическим сопроцессором, который обрабатывает математику с плавающей запятой. Такие блоки освобождают ЦП, чтобы сосредоточиться на более общих задачах обработки.
GPU для анализа данных
По словам Грега Шульца, независимого ИТ-аналитика, графические процессоры долгое время были строго привязаны к графическим задачам; текущий интерес к использованию графического процессора для других видов обработки является относительно новым. Графическая обработка требует интенсивных математических рабочих нагрузок, но способность графического процессора обрабатывать тяжелые математические задачи имеет смысл для множества других целей. Например, для рендеринга 3D-изображения требуется умножение матриц — своего рода математика, которая также оказывается полезной для глубокого обучения и анализа. Однако эти расширенные возможности графического процессора не подходят для простого запроса данных в базе данных или хранилище данных, по словам Майка Гуальтиери, главного аналитика Forrester Research, исследовательской и консалтинговой компании, базирующейся в Кембридже, штат Массачусетс.
Такие поставщики, как Nvidia, стремятся использовать графические процессоры, в частности, для значительного ускорения обучения алгоритмов глубокого обучения. В дополнение к глубокому обучению графические процессоры также ускоряют выполнение задач, связанных с проверкой, поиском в базах данных изображений и обработкой естественного языка. По мере того, как графические процессоры становятся все более распространенными, они также становятся более экономичным способом решения таких задач.
С другой стороны, не все задачи подходят для графических процессоров. Большая часть популярности графического процессора связана с его способностью разгружать определенные ресурсоемкие задачи с центрального процессора, но процессоры по-прежнему лучше подходят для определенных задач анализа данных. Например, для выполнения аналитических запросов SQL к большому набору данных требуется обработка в памяти ЦП. Лучше всего для анализа данных использовать как ЦП, так и ГП вместе.
GPU против CPU: как они складываются
Когда дело доходит до анализа данных, графические процессоры могут выполнять несколько задач одновременно из-за их массивного параллелизма. Однако центральные процессоры более универсальны в задачах, которые они могут выполнять, поскольку графические процессоры обычно имеют ограниченное применение для обработки данных.
Вместо того, чтобы выбирать между процессорами и графическими процессорами для анализа данных, организациям следует подумать, могут ли они использовать графические процессоры в качестве ускорителя для достижения более высокой производительности по всем направлениям. Например, графические процессоры могут ускорить разработку, обучение и уточнение моделей обработки данных, поскольку обучение моделей упрощает распараллеливание и использование графического процессора. Это также не позволяет ЦП решать тяжелые и сложные задачи обучения модели.
Организации также могут легче тестировать и экспериментировать с графическими процессорами, поскольку крупные облачные провайдеры все чаще предлагают услуги графических процессоров. AWS, Microsoft Azure и Google Cloud Platform предлагают экземпляры GPU, обычно для рабочих нагрузок ИИ. Специализированное назначение графических процессоров и растущая популярность среди крупных поставщиков могут привести к появлению нового поколения чипов для выполнения более специализированных аналитических задач обучения. Например, у Google есть даже собственный Tensor Processing Unit для таких задач.
