NVIDIA acelera consultas analíticas Presto en la plataforma GPU GB200 NVL72

NVIDIA describió en un artículo enfocado en desarrolladores cómo la aceleración GPU del motor SQL de código abierto Presto en la plataforma GB200 NVL72 permite realizar consultas analíticas en conjuntos de datos muy grandes con baja latencia.

Qué es Presto y por qué importa

Presto es un motor SQL distribuido de código abierto, originalmente creado para consultas interactivas rápidas contra conjuntos de datos masivos sin pre-transferir esos datos a un almacén analítico separado. La herramienta se utiliza cuando un analista o ingeniero de datos necesita obtener la respuesta a una consulta SQL en segundos, no después de un largo procesamiento por lotes típico de herramientas de big data clásicas.

Qué proporciona la aceleración GPU

Según NVIDIA, cuando se transfieren los cálculos de Presto a la infraestructura GPU GB200 NVL72, el motor demuestra un rendimiento máximo precisamente en cargas de trabajo analíticas de baja latencia — es decir, en escenarios donde la velocidad de respuesta importa cuando se trabaja con volúmenes de datos muy grandes. Esto no se trata de reemplazar Presto con un nuevo producto, sino de hacer que el mismo motor SQL de código abierto use GPUs de manera más eficiente en lugar de clústeres CPU típicos. La diferencia entre la ejecución de GPU y CPU de consultas analíticas es especialmente notable en escenarios con carga concurrente alta — cuando muchos analistas acceden simultáneamente al mismo conjunto de datos gigantesco y esperan respuesta en tiempo real en lugar de esperar una larga cola de trabajos por lotes.

Es precisamente para estos escenarios de baja latencia que NVIDIA posiciona la combinación Presto + GB200 NVL72.

• Presto — motor SQL distribuido de código abierto para consultas interactivas en big data
• Plataforma de aceleración — NVIDIA GB200 NVL72, infraestructura GPU de la compañía
• Efecto reclamado — rendimiento máximo precisamente en cargas de trabajo analíticas de baja latencia
• Material publicado en NVIDIA Developer Blog para desarrolladores e ingenieros de datos

Por qué NVIDIA promociona GPUs para análisis

El material continúa la línea de NVIDIA de promover GPUs no solo para entrenamiento e inferencia de modelos de IA sino también para análisis de bases de datos clásicas. La empresa está ofreciendo a los desarrolladores migrar motores SQL ya existentes como Presto a plataformas GPU como GB200 NVL72 en lugar de depender únicamente del escalado de clústeres CPU para análisis interactivos. Para equipos que ya usan GB200 NVL72 para cargas de trabajo de IA, tal enfoque significa la capacidad de aprovechar la misma infraestructura para consultas SQL analíticas sin desplegar una línea CPU separada para datos.

Tal enfoque es económicamente lógico para organizaciones que ya han invertido en clústeres GPU para entrenamiento e inferencia de modelos de IA: en lugar de mantener infraestructura CPU separada exclusivamente para análisis SQL, obtienen la capacidad de distribuir cargas de trabajo analíticas e IA en el mismo grupo de servidores GPU.

Qué significa esto

El desarrollo de versiones aceleradas por GPU de herramientas de código abierto populares como Presto muestra que la competencia por la infraestructura de datos se extiende más allá del entrenamiento de redes neuronales: NVIDIA posiciona cada vez más a las GPUs como una plataforma informática universal no solo para IA sino también para análisis comerciales cotidianos sobre conjuntos de datos muy grandes. Para la industria en su conjunto, esta es otra señal de que el límite entre infraestructura de IA e infraestructura de datos continúa borrándose, y las decisiones sobre compras de GPU se toman cada vez más con una vista no solo al entrenamiento de modelos sino también a cargas de trabajo de análisis SQL cotidianas. Para NVIDIA, es también una forma de mostrar que un motor Presto de código abierto con aceleración GPU adecuadamente configurada no es solo una alternativa barata sino una herramienta de trabajo para escenarios analíticos reales.

Quién se beneficia más de esta combinación

Más que nada, los equipos se benefician de tal aceleración donde las consultas analíticas sobre datos grandes ya están chocando con los límites de latencia de infraestructura CPU, y los datos en sí son demasiado grandes o volátiles para pre-prepararlos en un almacén separado para cada informe específico.