H2O.ai próbuje zburzyć istniejący ład, udostępniając Driveless AI – platformę dla badaczy danych i analityków biznesu poszukujących skalowalnych i wydajnych narzędzi do maszynowego uczenia. Rozwiązanie startupu z Mountain View jest kompatybilne z językami R, Python, Scala, Java oraz REST API. Driveless AI działa na serwerach x86, stacjach roboczych czy np. jednostkach IBM Power AC 922, wykorzystujących moc procesorów GPU. Popularność Driveless AI rośnie w szybkim tempie, począwszy od 2016 r. W dużym stopniu przyczyniły się do tego sukcesy osiągane przez osoby wykorzystujące H2O.ai w konkursach analitycznych oraz modelowania predykcyjnego organizowanych przez Kaggle – niemal mityczną platformę skupiającą badaczy danych. Nie bez znaczenia jest też pozycja lidera w kwadrancie Gartnera opisującym platformy do uczenia maszynowego i nauki danych (Data Science and Machine Learning Platforms).

GPU w nowej roli

W połowie listopada br. Nvidia była wyceniania na 100 mld dol. – o 76 mld mniej niż dwa miesiące wcześniej. Jednak pomimo załamania w segmencie kart graficznych przyszłość tego producenta wcale nie musi rysować się w ciemnych barwach. Procesory GPU, pierwotnie stworzone z myślą o animacjach czy obróbce 3D, znalazły zupełnie nowe zastosowania. Takie firmy, jak Sqream Technologies, OmniSci (wcześniej MapD) czy Kinetica, wykorzystują GPU Nvidii do analityki dużych zbiorów danych, a także ich wyszukiwania oraz sortowania. Ten wybór nie jest dziełem przypadku. Procesor CPU składa się z kilku rdzeni zoptymalizowanych pod kątem sekwencyjnego przetwarzania szeregowego, a GPU zawiera tysiące mniejszych rdzeni zaprojektowanych z myślą o realizacji wielu zadań jednocześnie. Układ GPU skanuje dane z prędkością nawet 5 TB/s, natomiast kres możliwości CPU to 100 GB/s.

Świat technologii się zmienił i pojawiły się nowe, bardziej wydajne narzędzia. Procesory graficzne z ich równoległą architekturą doskonale nadają się do obsługi dużych strumieni danych – podkreśla Paul Appleby, dyrektor generalny firmy Kinetica.

Startup ten opracował platformę przeznaczoną do wyszukiwania, oceny, wizualizacji danych, wykorzystującą techniki uczenia maszynowego. Produkt stanowi połączenie bazy Open SQL oraz systemu do analityki wizualnej. Kinetica stawia głównie na procesory GPU, aczkolwiek nie zrezygnowała całkowicie z układów CPU, które odpowiadają za realizację prostszych zadań. Rozwiązania startupu najczęściej trafiają do firm logistycznych, instytucji finansowych, sektora energetycznego czy opieki zdrowotnej. Na Starym Kontynencie klientami Kinetica są m.in. Michelin oraz władze Londynu.

Dostrzegamy ogromny potencjał rynku analizy danych. W nieodległej przyszłości nasze rozwiązania znajdą powszechne zastosowanie w analizach giełdowych czy badaniu zachowania klientów sklepów – zapowiada Nima Negahban, CTO i współzałożyciel startupu z San Francisco.

I, biorąc pod uwagę światowe trendy, trudno się z nim nie zgodzić. No, chyba że jest się maruderem…