Ciencia De Datos Acelerada Por NVIDIA

El Único Conjunto de Software y Hardware Optimizado para la Ciencia de Datos

Acelera Tus Workflows De La Ciencia De Datos Con GPU

Tradicionalmente, los workflows de la ciencia de datos son lentos y complejos, ya que dependen de la CPU para cargar, filtrar y manipular datos, y capacitar e implementar modelos. Las GPU reducen enormemente los costos de infraestructura y proporcionan un rendimiento para los workflows integrales de la ciencia de datos gracias a las bibliotecas de software de código abierto de RAPIDS. La ciencia de datos acelerada por GPU está disponible en todas partes: laptops, el data center, el edge y cloud.

 

Características y Beneficios

Maximiza la Productividad

Maximiza la Productividad

Reduce el tiempo de espera para obtener información valiosa y acelera el ROI.

Ease of Use

Ease of Use

Accelerate your entire Python toolchain with open-source, hassle-free software integration and minimal code changes.

Completa Más Tareas

Completa Más Tareas

Acelera el entrenamiento de machine learning hasta 215 veces y realiza más interacciones, aumenta la experimentación y profundiza la exploración.

Accomplish More

Improve Accuracy

Fastest model iteration for better results and performance

Rentabilidad

Rentabilidad

Reduce los costos de la infraestructura de la ciencia de datos y aumenta la eficacia del data center.

Cost-Efficiency

Total Cost of Ownership

Dramatically reduce data center infrastructure costs

 

Apache Spark 3.0 Está Acelerado Por GPU Con Rapids

Apache Spark 3.0 es la primera versión de Spark que ofrece aceleración por GPU completamente integrada y fluida para las cargas de trabajo de análisis y IA. Aprovecha la potencia de Spark 3.0 con las GPU en las instalaciones o en cloud, sin necesidad de modificar el código. El rendimiento excepcional de las GPU permite a las empresas e investigadores entrenar modelos más grandes con más frecuencia, a fin de desbloquear el valor de los macrodatos con la potencia de IA.

Entrenamiento Con Xgboost En GPU De NVIDIA

XGBoost acelerado por GPU proporciona un rendimiento revolucionario al algoritmo líder en el mundo de machine learning tanto en implementaciones distribuidas como de un solo nodo. Con una velocidad de entrenamiento mucho mayor en las CPU, los equipos de ciencia de datos pueden trabajar con conjuntos de datos más grandes, iterarlo más rápidos y ajustar los modelos para aumentar la exactitud de las predicciones y el valor comercial.

Preparación de Datos

XGBoost

De extremo a extremo

Comienza hoy mismo a aprovechar XGBoost acelerado por GPU

Soluciones De GPU De NVIDIA Para La Ciencia De Datos

Explora la aceleración incomparable en las diferentes soluciones de GPU de NVIDIA.

PC

Comienza a aprovechar el machine learning.

Workstations

Una nueva generación de workstations para la ciencia de datos.

Data Center

Sistemas Certificados por NVIDIA para que Las Empresas Ejecuten Cargas de Trabajo de IA Moderna

Cloud

Machine learning versátil y acelerado.

Empresas Aceleradas Por GPU En Acción

Maximice el rendimiento, la productividad y el ROI para los workflows de machine learning.

RAPIDS: Conjunto De Bibliotecas Para La Ciencia De Datos

RAPIDS, el conjunto diseñado con la IA de NVIDIA CUDA-X, aprovecha más de 15 años de experiencia en machine learning y desarrollo de NVIDIA® CUDA®. Su potente software para ejecutar los procesos integrales de entrenamiento para la ciencia de datos se ejecuta por completo en GPU de NVIDIA, lo que reduce el tiempo de entrenamiento de días a minutos.

NVIDIA RAPIDS Flow
End-to-End Faster Speeds on RAPIDS

La plataforma para la ciencia de datos acelerada por GPU RAPIDS es el ecosistema de computación de próxima generación con la tecnología de Apache Arrow. La colaboración de NVIDIA con Ursa Labs acelerará el ritmo de innovación en las bibliotecas Arrow esenciales y permiten aumentar enormemente el rendimiento de las cargas de trabajo de análisis e ingeniería de funciones.

- Wes McKinney, Director de Ursa Labs y Creador de Apache Arrow y Pandas

Gracias a RAPIDS XGBOOST, aceleré los proceso 24 veces. Ahora, puedo reemplazar cientos de nodos de CPU y ejecutar mi carga de trabajo de ML en un solo nodo con 8 GPU. ¿¡Hicieron que XGBOOST sea tan rápido!?

- Empresa de Transmisión de Medios

Mi anterior obstáculo era la etapa de I/O. …Tardaba 10minutos para obtener los datos para 10tiendas (aproximadamente 1 millón de filas). Con RAPIDS, podemos extraer datos de unas 6000 tiendas (millones de filas) en menos de 3 minutos. Esa tarea nos habría tomado 4 días con la infraestructura anterior. Es algo increíble.

- Un vendedor minorista especializado de sector medio con 6000 tiendas

RAPIDS, a GPU-accelerated data science platform, is a next-generation computational ecosystem powered by Apache Arrow. The NVIDIA collaboration with Ursa Labs will accelerate the pace of innovation in the core Arrow libraries and help bring about major performance boosts in analytics and feature engineering workloads.

- Wes McKinney, Head of Ursa Labs and Creator of Apache Arrow and Pandas

I got 24x speedup using RAPIDS XGBOOST and can now replace hundreds of CPU nodes, running my biggest ML workload on a single node with 8 GPUs. You made XGBOOST too fast!?

- Streaming Media Company

My previous bottleneck was I/O. …10 minutes to pull in data for 10 stores (about 1 million rows). With RAPIDS, we can pull in data for about 6000 stores (millions of rows) in less than 3 minutes. That scale could have easily taken us 4 days on legacy infrastructure … just plain awesome.

- A mid-market specialty retailer with 6000 stores

RAPIDS, a GPU-accelerated data science platform, is a next-generation computational ecosystem powered by Apache Arrow. The NVIDIA collaboration with Ursa Labs will accelerate the pace of innovation in the core Arrow libraries and help bring about major performance boosts in analytics and feature engineering workloads.

- Wes McKinney, Head of Ursa Labs and Creator of Apache Arrow and Pandas

I got 24x speedup using RAPIDS XGBOOST and can now replace hundreds of CPU nodes, running my biggest ML workload on a single node with 8 GPUs. You made XGBOOST too fast!?

- Streaming Media Company

My previous bottleneck was I/O. …10 minutes to pull in data for 10 stores (about 1 million rows). With RAPIDS, we can pull in data for about 6000 stores (millions of rows) in less than 3 minutes. That scale could have easily taken us 4 days on legacy infrastructure … just plain awesome.

- A mid-market specialty retailer with 6000 stores

Ecosistema de Socios

RAPIDS está abierto para todos y se adopta en los sectores de análisis y ciencia de datos. Nuestros socios están transformando el ecosistema tradicional de análisis de macrodatos con los avances en deep learning, machine learning y  análisis acelerados por GPU.  

ANACONDA
BlazingDB
Chainer
Datalogue
DataBricks
DellEMC
FastData
Graphistry
H20.ai
HPE
IBM
Kinetica
MAPR
NetApp
Omni Sci
Oracle
Pure Storage
PyTorch
SAP
Sas
Sqream
ZILLIZ
ANACONDA
BlazingDB
Chainer
Datalogue
DataBricks
DellEMC
FastData
Graphistry
H20.ai
HPE
IBM
Kinetica
MAPR
NetApp
Omni Sci
Oracle
Pure Storage
PyTorch
SAP
Sas
Sqream