NVIDIA acelera consultas analíticas Presto na plataforma GPU GB200 NVL72

NVIDIA descreveu em um artigo focado em desenvolvedores como a aceleração GPU do mecanismo SQL de código aberto Presto na plataforma GB200 NVL72 permite executar consultas analíticas em conjuntos de dados muito grandes com baixa latência.

O que é Presto e por que importa

Presto é um mecanismo SQL distribuído de código aberto, originalmente criado para consultas interativas rápidas em conjuntos de dados massivos sem pré-transferir esses dados para um armazém analítico separado. A ferramenta é usada quando um analista ou engenheiro de dados precisa obter uma resposta para uma consulta SQL em segundos, não após o longo processamento em lote típico de ferramentas clássicas de big data.

O que a aceleração GPU fornece

De acordo com a NVIDIA, ao transferir cálculos de Presto para infraestrutura GPU GB200 NVL72, o mecanismo demonstra desempenho de pico precisamente em cargas de trabalho analíticas de baixa latência — isto é, em cenários em que a velocidade de resposta importa ao trabalhar com volumes de dados muito grandes. Isso não é sobre substituir o Presto por um novo produto, mas sobre fazer com que o mesmo mecanismo SQL de código aberto use GPUs de forma mais eficiente em vez de clusters CPU típicos. A diferença entre a execução de GPU e CPU de consultas analíticas é especialmente perceptível em cenários com carga concorrente alta — quando muitos analistas acessam simultaneamente o mesmo conjunto de dados gigantesco e esperam resposta em tempo real em vez de esperar uma longa fila de tarefas em lote.

É precisamente para esses cenários de baixa latência que a NVIDIA posiciona a combinação Presto + GB200 NVL72.

• Presto — mecanismo SQL distribuído de código aberto para consultas interativas em big data
• Plataforma de aceleração — NVIDIA GB200 NVL72, infraestrutura GPU da empresa
• Efeito reclamado — desempenho de pico precisamente em cargas de trabalho analíticas de baixa latência
• Material publicado em NVIDIA Developer Blog para desenvolvedores e engenheiros de dados

Por que a NVIDIA está promovendo GPUs para análise

O material continua a linha da NVIDIA de promover GPUs não apenas para treinamento e inferência de modelos de IA, mas também para análise clássica de banco de dados. A empresa está oferecendo aos desenvolvedores migrar mecanismos SQL já existentes como Presto para plataformas GPU como GB200 NVL72 em vez de depender apenas do dimensionamento de clusters CPU para análise interativa. Para equipes que já usam GB200 NVL72 para cargas de trabalho de IA, tal abordagem significa a capacidade de aproveitar a mesma infraestrutura para consultas SQL analíticas sem implantar uma linha CPU separada para dados.

Tal abordagem é economicamente lógica para organizações que já investiram em clusters GPU para treinamento e inferência de modelos de IA: em vez de manter infraestrutura CPU separada exclusivamente para análise SQL, elas obtêm a capacidade de distribuir cargas de trabalho analíticas e de IA em todo o mesmo pool de servidores GPU.

O que isso significa

O desenvolvimento de versões aceleradas por GPU de ferramentas de código aberto populares como Presto mostra que a competição por infraestrutura de dados se estende além do treinamento de redes neurais: as GPUs estão sendo cada vez mais posicionadas pela NVIDIA como uma plataforma de computação universal não apenas para IA, mas também para análise de negócios cotidiana em conjuntos de dados muito grandes. Para a indústria como um todo, esse é mais um sinal de que a fronteira entre infraestrutura de IA e infraestrutura de dados continua a se desfocar, e as decisões sobre compras de GPU são cada vez mais feitas com vista não apenas ao treinamento de modelos, mas também às cargas de trabalho de análise SQL cotidianas. Para a NVIDIA, também é uma maneira de mostrar que um mecanismo Presto de código aberto com aceleração GPU adequadamente configurada não é apenas uma alternativa barata, mas uma ferramenta de trabalho para cenários analíticos reais.

Quem se beneficia mais desta combinação

Mais que nada, as equipes se beneficiam de tal aceleração onde consultas analíticas em dados grandes já estão atingindo os limites de latência da infraestrutura CPU, e os dados em si são muito grandes ou voláteis para pré-preparar em um armazém separado para cada relatório específico.