Apache Spark acelerado por GPU

Para procesos de análisis de datos, aprendizaje automático y deep learning

Acelera mediante GPU tus procesos de ciencia de datos de Apache Spark 3.0 (sin cambios en el código) y agiliza el procesamiento de datos y el entrenamiento de modelos, a la vez que reduces sustancialmente los costes de infraestructura.

 

¿Por qué Apache Spark?

Apache Spark

Apache Spark se ha convertido en el entorno de trabajo estándar de facto para el procesamiento de datos de escalado horizontal distribuido. Con Spark, las organizaciones pueden procesar grandes cantidades de datos en uncorto período de tiempo utilizando un grupo de servidores, tanto si es para organizar y transformar datos como para analizarlos y generar información empresarial. Spark proporciona un conjunto de API fáciles de usar para ETL (extraer, transformar, cargar), aprendizaje automático (ML) y procesamiento de gráficos con conjuntos de datos masivos de diversas fuentes. Hoy en día, Spark se ejecuta en millones de servidores, tanto locales como en la nube.

Principales ventajas de Spark en GPU de NVIDIA

Tiempo de ejecución más rápido

Tiempo de ejecución más rápido

Acelera el rendimiento de las tareas de preparación de datos para pasar rápidamente a la siguiente fase del proceso. Esto permite que se entrenen los modelos de forma más rápida, al tiempo que se libera a los ingenieros y científicos de datos para centrar la atención en las actividades más críticas.

Optimizar los análisis para IA

Optimizar los análisis para IA

Spark 3.0 orchestrates end-to-end pipelines—from data ingest, to model training, to visualization.The same GPU-accelerated infrastructure can be used for both Spark and ML/DL (deep learning) frameworks, eliminating the need for separate clusters and giving the entire pipeline access to GPU acceleration.

Costes de infraestructura reducidos

Costes de infraestructura reducidos

Do more with less: Spark on NVIDIA® GPUs completes jobs faster with less hardware when compared to CPUs, saving organizations time as well as on-premises capital costs or operational costs in the cloud.

Innovaciones de Spark 3.0

Given the “embarrassingly parallel” nature of many data processing tasks, it’s only natural that the architecture of a GPU should be leveraged for Spark data processing queries, similar to how a GPU accelerates DL workloads in AI. GPU acceleration is transparent to the developer and requires no code changes in order to obtain these benefits. Three key advancements in Spark 3.0 have contributed to delivering transparent GPU acceleration:

Nuevo Acelerador RAPIDS para Spark 3.0

NVIDIA CUDA® is a revolutionary parallel computing architecture that supports accelerating computational operations on the NVIDIA GPU architecture. RAPIDS, incubated at NVIDIA, is a suite of open-source libraries layered on top of CUDA that enables GPU-acceleration of data science pipelines.

NVIDIA has created a RAPIDS Accelerator for Spark 3.0 that intercepts and accelerates ETL pipelines by dramatically improving the performance of Spark SQL and DataFrame operations.

Modificaciones de los componentes de Spark

Spark 3.0 provides columnar processing support in the Catalyst query optimizer which is what the RAPIDS Accelerator plugs into to accelerate SQL and DataFrame operators. When the query plan is executed, those operators can then be run on GPUs within the Spark cluster.

NVIDIA has also created a new Spark shuffle implementation that optimizes the data transfer between Spark processes. This shuffle implementation is built upon GPU-accelerated communication libraries, including UCX, RDMA, and NCCL.

Programación compatible con GPU en Spark

Spark 3.0 recognizes GPUs as a first-class resource along with CPU and system memory. This allows Spark 3.0 to place GPU-accelerated workloads directly onto servers containing the necessary GPU resources as they are needed to accelerate and complete a job.

NVIDIA engineers have contributed to this major Spark enhancement, enabling the launch of Spark applications on GPU resources in Spark standalone, YARN, and Kubernetes clusters.

En Spark 3.0, ahora puedes tener un solo proceso, desde la adquisición de datos hasta su preparación y el entrenamiento de modelos. Las operaciones de preparación de datos ahora se aceleran por GPU, y la infraestructura de ciencia de datos se consolida y simplifica.

Análisis e IA acelerados en Spark

Spark 3.0 marca un hito clave para el análisis y la IA, ya que las operaciones de ETL ahora se aceleran mientras que las aplicaciones de ML y DL aprovechan la misma infraestructura de GPU. A continuación se muestra la pila completa de este proceso de ciencia de datos acelerado:

Análisis e IA acelerados en Spark

Comenzar a usar Spark acelerado por GPU

Si te interesa acceso anticipado al Acelerador RAPIDS para la versión preliminar de Apache Spark 3.0, visita nuestra documentación de instalación aquí o ponte en contacto con el equipo de Spark en NVIDIA.

CONTACTAR CON UN EXPERTO DE SPARK
IRS

La integración de Cloudera y NVIDIA nos permitirá utilizar información basada en datos para impulsar casos de uso de misión crítica... actualmente estamos implementando esta integración, y ya estamos viendo mejoras de velocidad de más de 10 veces a la mitad del coste para nuestros flujos de trabajo de ingeniería de datos y ciencia de datos.

– Joe Ansaldi, IRS/Research Applied Analytics & Statistics Division (RAAS)/Jefe de la Rama Técnica

Adobe

Estamos viendo un rendimiento enormemente más rápido con Spark 3.0 acelerado por Nvidia si lo comparamos con la ejecución de Spark en las CPU. Con estas mejoras de rendimiento de GPU revolucionarias, se abren posibilidades completamente nuevas para integrar funciones basadas en IA en nuestras herramientas de marketing y análisis integradas de Adobe Experience Cloud líderes del sector.

- William Yan, Senior Director of Machine Learning, Adobe

databricks

Nuestro trabajo continuo con NVIDIA mejora el rendimiento con las optimizaciones RAPIDS para Apache Spark 3.0 y Databricks para beneficiar a nuestros clientes conjuntos como Adobe. Estas contribuciones conducen a canalizaciones de datos más rápidas, formación de modelos y puntuación, que se traducen directamente en más avances e información para nuestra comunidad de ingenieros de datos y científicos de datos.

- Matei Zaharia, original creator of Apache Spark and Chief Technologist at Databricks

IRS

La integración de Cloudera y NVIDIA nos permitirá utilizar información basada en datos para impulsar casos de uso de misión crítica... actualmente estamos implementando esta integración, y ya estamos viendo mejoras de velocidad de más de 10 veces a la mitad del coste para nuestros flujos de trabajo de ingeniería de datos y ciencia de datos.

– Joe Ansaldi, IRS/Research Applied Analytics & Statistics Division (RAAS)/Jefe de la Rama Técnica

Adobe

Estamos viendo un rendimiento enormemente más rápido con Spark 3.0 acelerado por Nvidia si lo comparamos con la ejecución de Spark en las CPU. Con estas mejoras de rendimiento de GPU revolucionarias, se abren posibilidades completamente nuevas para integrar funciones basadas en IA en nuestras herramientas de marketing y análisis integradas de Adobe Experience Cloud líderes del sector.

- William Yan, Senior Director of Machine Learning, Adobe

databricks

Nuestro trabajo continuo con NVIDIA mejora el rendimiento con las optimizaciones RAPIDS para Apache Spark 3.0 y Databricks para beneficiar a nuestros clientes conjuntos como Adobe. Estas contribuciones conducen a canalizaciones de datos más rápidas, formación de modelos y puntuación, que se traducen directamente en más avances e información para nuestra comunidad de ingenieros de datos y científicos de datos.

- Matei Zaharia, original creator of Apache Spark and Chief Technologist at Databricks

IRS

La integración de Cloudera y NVIDIA nos permitirá utilizar información basada en datos para impulsar casos de uso de misión crítica... actualmente estamos implementando esta integración, y ya estamos viendo mejoras de velocidad de más de 10 veces a la mitad del coste para nuestros flujos de trabajo de ingeniería de datos y ciencia de datos.

– Joe Ansaldi, IRS/Research Applied Analytics & Statistics Division (RAAS)/Jefe de la Rama Técnica

Adobe

Estamos viendo un rendimiento enormemente más rápido con Spark 3.0 acelerado por Nvidia si lo comparamos con la ejecución de Spark en las CPU. Con estas mejoras de rendimiento de GPU revolucionarias, se abren posibilidades completamente nuevas para integrar funciones basadas en IA en nuestras herramientas de marketing y análisis integradas de Adobe Experience Cloud líderes del sector.

- William Yan, Senior Director of Machine Learning, Adobe

databricks

Nuestro trabajo continuo con NVIDIA mejora el rendimiento con las optimizaciones RAPIDS para Apache Spark 3.0 y Databricks para beneficiar a nuestros clientes conjuntos como Adobe. Estas contribuciones conducen a canalizaciones de datos más rápidas, formación de modelos y puntuación, que se traducen directamente en más avances e información para nuestra comunidad de ingenieros de datos y científicos de datos.

- Matei Zaharia, original creator of Apache Spark and Chief Technologist at Databricks

Descargar nuestro libro electrónico

¿Quieres obtener todo el valor de Big Data con el poder de la IA? Descarga nuestro nuevo libro electrónico, "Accelerating Apache Spark 3.x – Leveraging NVIDIA GPUs to Power the Next Era of Analytics and AI" (Aceleración de Apache Spark 3.x: aprovechamiento de las GPU de Nvidia para impulsar la nueva era de análisis e IA), para obtener más información sobre la próxima evolución en Apache Spark.

DESCARGAR AHORA

CONTACTAR CON UN EXPERTO DE SPARK

  1. Section
Envíame las últimas novedades de noticias empresariales, así como anuncios y otra información de NVIDIA. Puedo cancelar la suscripción en cualquier momento.
Productos
Tecnologías
Software
Recursos