NVIDIA تسرّع استعلامات Presto التحليلية على منصة GB200 NVL72 المعتمدة على وحدات GPU

روت NVIDIA في مادة موجّهة للمطورين كيف يتيح تسريع محرك SQL المفتوح المصدر Presto بوحدات GPU على منصة GB200 NVL72 تنفيذ استعلامات تحليلية على مجموعات بيانات ضخمة جدًا بزمن استجابة منخفض.

ما هو Presto ولماذا هو مهم

Presto محرك SQL موزّع مفتوح المصدر، صُمّم في الأصل لتنفيذ استعلامات تفاعلية سريعة على مجموعات بيانات هائلة دون نقل هذه البيانات مسبقًا إلى مستودع تحليلي منفصل. ويلجأ إليه المحللون ومهندسو البيانات حين يحتاجون إلى جواب استعلام SQL خلال ثوانٍ، بدلًا من انتظار المعالجة الدفعية (batch) الطويلة المعتادة في أدوات البيانات الضخمة التقليدية.

ماذا يضيف تسريع GPU

وفق بيانات NVIDIA، عند نقل حوسبة Presto إلى البنية التحتية GB200 NVL72 المعتمدة على وحدات GPU، يحقق المحرك أقصى أداء تحديدًا في الأحمال التحليلية منخفضة زمن الاستجابة، أي في السيناريوهات التي تكون فيها سرعة الرد مهمة عند التعامل مع أحجام بيانات ضخمة جدًا. والمقصود هنا ليس استبدال Presto بمنتج جديد، بل أن يستفيد محرك SQL المفتوح نفسه من وحدات GPU بكفاءة أكبر بدلًا من عناقيد وحدات CPU المعتادة. ويظهر الفرق بين تنفيذ الاستعلامات التحليلية على CPU وعلى GPU بوضوح خاص في سيناريوهات الأحمال المتزامنة العالية، حين يصل عدد كبير من المحللين في الوقت نفسه إلى مجموعة البيانات الضخمة ذاتها ويتوقعون ردًا فوريًا، لا بعد طابور طويل من مهام المعالجة الدفعية.

ولهذه السيناريوهات منخفضة زمن الاستجابة تحديدًا تروّج NVIDIA لربط Presto بمنصة GB200 NVL72.

• Presto — محرك SQL موزّع مفتوح المصدر للاستعلامات التفاعلية على البيانات الضخمة
• منصة التسريع — NVIDIA GB200 NVL72، البنية التحتية للشركة المعتمدة على وحدات GPU
• الأثر المعلن — أقصى أداء تحديدًا في الأحمال التحليلية منخفضة زمن الاستجابة
• نُشرت المادة في NVIDIA Developer Blog الموجّه للمطورين ومهندسي البيانات

لماذا تروّج NVIDIA لوحدات GPU في التحليلات

تندرج هذه المادة ضمن توجّه NVIDIA إلى الترويج لوحدات GPU لا لتدريب نماذج الذكاء الاصطناعي واستدلالها (inference) فحسب، بل أيضًا لتحليلات قواعد البيانات التقليدية. وتقترح الشركة على المطورين نقل محركات SQL القائمة، مثل Presto، إلى منصات GPU مثل GB200 NVL72، بدلًا من الاعتماد حصرًا على توسيع عناقيد CPU للتحليلات التفاعلية. وبالنسبة للفرق التي تستخدم GB200 NVL72 فعلًا لأحمال الذكاء الاصطناعي، يعني هذا النهج إمكانية استخدام البنية التحتية نفسها لاستعلامات SQL التحليلية أيضًا، دون إنشاء مسار CPU منفصل للبيانات.

ويبدو هذا النهج منطقيًا من الناحية الاقتصادية للمؤسسات التي استثمرت أصلًا في عناقيد GPU لتدريب نماذج الذكاء الاصطناعي واستدلالها: فبدلًا من الإبقاء على بنية CPU مستقلة مخصصة حصرًا لتحليلات SQL، تستطيع توزيع الأحمال التحليلية وأحمال الذكاء الاصطناعي على أسطول الخوادم المعتمدة على GPU نفسه.

ماذا يعني ذلك

يُظهر تطوّر نسخ مسرَّعة بوحدات GPU من أدوات مفتوحة المصدر شائعة مثل Presto أن التنافس على البنية التحتية للبيانات يتجاوز تدريب الشبكات العصبية: إذ تقدّم NVIDIA وحدات GPU على نحو متزايد بوصفها منصة حوسبة شاملة، لا للذكاء الاصطناعي فحسب، بل أيضًا لتحليلات الأعمال اليومية على مجموعات بيانات ضخمة جدًا. وبالنسبة للقطاع عمومًا، هذه إشارة أخرى إلى أن الحدّ الفاصل بين البنية التحتية للذكاء الاصطناعي والبنية التحتية للبيانات يواصل التلاشي، وأن قرارات شراء وحدات GPU باتت تُتخذ مع مراعاة أحمال SQL اليومية لفرق التحليل، إلى جانب تدريب النماذج.

لمن يفيد هذا الربط أكثر

أكثر من يستفيد من هذا التسريع هي الفرق التي باتت استعلاماتها التحليلية على البيانات الضخمة تصطدم بزمن استجابة بنية CPU، بينما تكون بياناتها أكبر حجمًا أو أكثر تغيّرًا من أن يمكن إعدادها مسبقًا في مستودع منفصل لكل تقرير على حدة.