GPU versus CPU: der richtige Prozessor für Ihre Datenanalyse
Grafikprozessoren halten Einzug in die Rechenzentren, denn durch ihre parallele Verarbeitung sind sie ideal für Datenanalysen. Doch auch klassische CPUs haben nicht ausgedient.
CPUs sind die übliche Wahl für Rechenanwendungen. GPUs dienten lange vor allem dazu, Grafikverarbeitungsaufgaben auszulagern. Doch nicht nur diese profitieren von GPUs, auch Datenanalysen laufen unter bestimmten Bedingungen auf den spezialisierten Chips besser.
CPUs (Central Processing Units) stoßen an einem bestimmten Punkt an ihre Grenzen. Hier übernehmen Chips wie die GPU (Graphics Processing Unit), die DPU (Data Processing Unit) oder die FPU (Floating Point Unit) – manchmal auch als Gleitkommaeinheit bezeichnet. Solche Einheiten entlasten die CPU, damit sie schnell die allgemeineren Verarbeitungsaufgaben abarbeiten kann.
GPUs für die Datenanalyse
GPUs waren lange nur für die Grafikverarbeitung im Einsatz; das aktuelle Interesse an GPUs für andere Arten von Berechnungsaufgaben ist relativ neu. Die Fähigkeit der GPU, schwere mathematische Aufgaben zu lösen, ist für eine Vielzahl von Zwecken hilfreich. Zum Beispiel erfordert das Rendern eines 3D-Bildes eine Matrixmultiplikation – die dafür nötige Rechenleistung ist aber auch nützlich für Deep Learning und Datenanalysen. Für einfache Abfrage von Daten in einer Datenbank oder einem Data Warehouse ist sie hingegen nicht geeignet.
Anbieter wie Nvidia verkaufen spezielle GPUs für Data Center, die das Training von Deep-Learning-Algorithmen dramatisch beschleunigen. Neben Deep Learning erledigen GPUs auch Aufgaben wie die Inspektionen, das Durchsuchen von Bilddatenbanken und das Verarbeiten natürlicher Sprache.
GPUs ermöglichen es Datenwissenschaftlern, sich mehr auf wertschöpfende Aufgaben zu konzentrieren und bieten ihnen Zugang zu wesentlich schnelleren Systemen
GPUs ermöglichen es Daten-Wissenschaftlern, sich mehr auf wertschöpfende Aufgaben zu konzentrieren und bieten ihnen Zugang zu wesentlich schnelleren Systemen.
Andererseits sind GPUs nicht für alle Aufgaben gut geeignet. Ein Großteil ihrer Popularität beruht auf ihrer Fähigkeit, bestimmte rechenintensive Aufgaben zu übernehmen, um die CPU zu entlasten. CPUs eignen sich nämlich für bestimmte Datenanalyseaufgaben besser. Das Ausführen von SQL-Analytics-Abfragen für einen großen Datensatz erfordert beispielsweise die In-Memory-Verarbeitung, wie die CPU sie bietet. Sie benötigen also immer beides: CPUs und GPUs.
GPU versus CPU: Wie sie zusammenpassen
Bei der Datenanalyse können GPUs aufgrund ihrer massiven Parallelität mehrere Aufgaben gleichzeitig erledigen. CPUs sind flexibler und vielseitiger als GPUs, die vor allem viele kleine Aufgaben zeitgleich ausführen.
Abbildung 1: Verschiedene Prozessoren eignen sich für verschiedene Einsatzgebiete.
Aus diesem Grund ist es sinnvoll, beide Prozessoren aufeinander optimiert gemeinsam einzusetzen. Beispielsweise können GPUs die Entwicklung, das Training und die Korrektur von Data-Science-Modellen beschleunigen. Außerdem entlastet das die CPU von komplexen Berechnungsaufnahmen.
Wenn Sie ausprobieren möchten, ob GPUs für Sie geeignet sind, können Sie dies bei einem der mittlerweile zahlreichen Cloud-GPU-Services tun. AWS, Microsoft Azure und Google Cloud Platform bieten alle GPU-Instanzen an, normalerweise für KI-Workloads.
Es ist zu erwarten, dass Hardware- und Cloud-Anbieter in Zukunft weitere spezialisierte Chips auf den Markt bringen werden, die auf Deep-Learning-Modellierung und andere Analysen ausgerichtet sind. So gibt es von Google beispielsweise eine proprietäre Tensor Processing Unit für diese Aufgaben.
