Разделы

ПО Безопасность Бизнес Телеком Интернет Цифровизация ИТ в банках ИТ в госсекторе Ритейл Маркет

8 главных сфер применения GPU Cloud назвали аналитики Market.CNews

Одной из разновидностей облачных услуг являются GPU Cloud — вычислительные мощности на базе графических ускорителей. Это востребованные решения, обеспечивающие в определенных задачах значительное преимущество над обычными облаками, построенными на CPU. В рамках этой статьи аналитики Market.CNews рассмотрели 8 основных сфер применения GPU Cloud.

Перейти в обзор GPU Cloud 2022

Внедрение искусственного интеллекта в бизнес

Искусственный интеллект — тенденция, которая актуальна для всех сфер информационно-коммуникационных технологий. Он проник как в самые сложные разработки, находящиеся на острие научного прогресса, так и в привычную, не вызывающую уже эмоций, домашнюю технику — «Алиса, выключи телевизор». Несомненно, он не обошел стороной и бизнес, в самых разных его проявлениях.

Сфера № 1: Машинное обучение ML

Machine Learning (машинное обучение) — метод, в основе которого лежит не жестко запрограммированное прямое решение определенной задачи, а обучение на основе решений большого количества похожих задач. Машинное обучение — одно из приоритетных направлений ИИ, а его возможности используются для:

Процесс машинного обучения включает оперирование большими объемами однотипных, несложных данных. Подавляющая часть вычислений, необходимых для машинного обучения — матричные, а значит многоядерная, содержащая тысячи ядер, архитектура GPU подходит для решения этой задачи намного лучше CPU. Кроме этого, тензорные ядра современных графических ускорителей специально проектировались под подобные задачи.

Одной из разновидностей облачных услуг являются GPU Cloudвычислительные мощности на базе графических ускорителей

Если в обучении задействуются медиаданные — речь, изображения, видео, — то они преобразуются в тензоры. Это трехмерные матрицы с определенными параметрами, а значит, обучение на GPU будет снова гораздо эффективнее.

Сфера № 2: Искусственный интеллект AI

Искусственный интеллект — это общее обозначение возможностей программного обеспечения для выполнения задач, на которые, как считалось, способен только человек. К примеру, анализировать события и делать на их основе выводы — это позволяет системам самостоятельно обучаться и принимать решения.

В настоящий момент все, что связано с ИИ, связано с большими потоками данных, которые необходимы для обучения. Чтобы «понять», как выглядит тот или иной предмет, машину нужно обучить на сотнях тысяч схожих изображений, а чтобы ИИ смог распознать нестандартное поведение, он должен обработать сотни тысяч ситуаций, в которых люди поступают «стандартно».

Для таких задач лучше всего подходят GPU, потому что ИИ — это не какой-то цельный и сложный процесс, а большое количество маленьких процессов. За счет глубины каждая задача разбивается на отдельные блоки, которые нужно выполнить, количество таких блоков в каждом нейронном слое может достигать тысяч. CPU с его несколькими ядрами, несмотря на то, что они мощнее каждого отдельного ядра GPU, будет выполнять эту задачу намного дольше, а вот GPU может параллельно выполнять сразу тысячи операций — это дает значительный прирост.

Сфера № 3: Deep learning

Глубокое обучение (Deep learning) — это, по сути, машинное обучение, чаще всего построенное на тренировках с учителем, но бывает и без него. Обучаясь с учителем, нейронная сеть получает сразу не только данные, но и заранее определенные для них результаты. Ее цель найти взаимосвязи, которые приводят к такому результату.

Такие нейросети отличаются высокой сложностью и содержат большое количество скрытых слоев, они способны к самообучению и повышению точности с каждым разом — это достигается за счет появления дополнительных слоев, которые будут включать все больше взаимосвязей во входных данных и соотносить их с конечным результатом.

В глубоком обучении преимущества GPU обеспечивают все те же качества — большое количество вычислительных ядер и архитектура. Там, где задача состоит из множества параллельных вычислений, превосходство всегда будет на стороне количества ядер, а не производительности отдельного ядра. Стоит сразу отметить, что в этом сегменте сегодня правит бал NVIDIA и большинство решений, которые можно найти в облаках, построены на ее разработках и процессорах.

Работа с видео

Работа с фото- и видеоматериалами всегда была уделом графических ускорителей — именно для этого они и разрабатывались. Сначала как простое периферийное устройство центрального процессора, а после — как полноценное решение, позволяющее взять на себя большую часть нагрузки при работе с графикой.

Сфера № 4: Кодирование в режиме реального времени

Может потребоваться для проведения трансляций с оборудования, не поддерживающего требуемый формат видеопотока. На крупных стриминговых площадках этим занимается внутреннее ПО и серверные мощности, а в случае частного использования задачу нужно решать самостоятельно.

Кодирование видео на CPU используется редко, так как произошло технологическое разделение CPU и GPU — у каждого их них развиваются определенные возможности, соответствующие задачам. В случае с GPU это поддержка множества кодеков, специализированных технологий и многоядерная архитектура. Хотя, несомненно, использование CPU для кодирования возможно, но обычно такое решение проигрывает в скорости, а скорость в бизнесе — это деньги.

Сфера № 5: Проведение онлайн-трансляций высокого разрешения

Трансляциями в высоком разрешении уже никого не удивить, скорее напротив — низкое качество может вызвать сомнения в надежности компании и ее профессионализме. Подготовка трансляции требует много опыта и хорошего оборудования, в том числе и мощной видеокарты — на GPU будет приходиться основная нагрузка по обработке видеопотока.

Рейтинг провайдеров GPU Cloud 2022

Производители разрабатывают и внедряют в свои GPU различные технологии, позволяющие повысить качество трансляций, например, Энкодер NVIDIA (NVENC) от NVIDIA — специальный отдельный блок видеоускорителя, позволяющий кодировать и декодировать видео.

Сфера № 6: Создание видео и рендеринг

Преимущество GPU над CPU в этой сфере довольно условно и зависит от множества факторов. При неограниченном бюджете рендеринг на CPU, как правило, бывает качественнее и точнее, но значительно дороже. Потребуются современные промышленные 64 ядерные процессоры и сотни гигабайт оперативной памяти — работа на таком оборудовании может окупиться у киностудий, но не подойдет для 99% других сценариев бизнеса. В привычных условиях работы небольших студий рендеринг на GPU будет дешевле, быстрее и сможет обеспечить достаточное для большинства проектов качество.

Сложные математические расчеты

Использование возможностей GPU для математических вычислений набирает обороты.

Сфера № 7: Решение научных задач

Мир захватили большие данные — вначале они считались мусором, являясь побочным продуктом работы множества программ. Сегодня это ценный материал для множества научных работ и источник вдохновения для бизнеса.

Большие данные накапливаются с огромной скоростью, поступая из миллионов источников, для их обработки прекрасно подходят GPU, способные выполнять множество параллельных операций.

Сфера № 8: Роботы для биржевой торговли

Существует несколько разновидностей торговых роботов, позволяющих решать определенные задачи. Одной из таких разновидностей является высокочастотный торговый робот, рассчитанный на тысячи молниеносных сделок — для быстрого доступа к базам он использует GPU.