Machine Learning (ML)

GPU Acceleration verbessert die Verarbeitung von großen Daten-Sets in Machine Learning Umgebungen wie Kinetica, MapD, BlazingDB, Brytlyt, OmniSci und SQream, analysiert eine massive Anzahl von Informationen und gibt die Resultate in Millisekunden zurück.  

Bei Machine Learning kommt es vor allem auf Memory und Storage an und eine ausgewogene CPU-zu-GPU Ratio ist enorm wichtig.  

Highperformance Computing (HPC) 

GPU Computing ist die unkompliziertere und energieeffizientere Weg zu HPC. Das NVIDIA CUDA Programmiermodell bietet Programmierern eine Möglichkeit, ihre Applikationen für die bestmögliche Performance feinzutunen.  

HPC erfordert eine hohe GPU-Dichte, hohe Bandbreiten für Netzwerk IOs und Peer-to-Peer Transfers zwischen den GPUs, die Flexibilität um kunden-spezifische Neurale Netzwerke zu designen und zu trainieren und bieten ebenfalls die Interfaces zu den Standardprogrammiersprachen.   

Für DL Workloads werden eine hohe GPU-Dichte, eine hohe Bandbreite für die Netzwerk IOs und eine Peer-to-Peer GPU-Verbindung benötigt.

Data Analytics

Data Analytics helfen Unternehmen auszuwerten, daraus Schlüsse zu ziehen und dann Entscheidungen zu treffen. Beispiele sind Betrugsentdeckung bei Finanzdienstleistungen, Nachfragevorhersagen im prodzierenden Bereich oder vieles mehr.

Die Überlegungen zu Data Analytics schliessen Memory Bandbreite, ein Storage mit möglichst hoher I/O-Leistung sowie ein passendes CPU Sizing mit ein.

Virtual Desktop Infrastructure (VDI)

Bei VDI läuft ein Benutzer-Desktop in einer virtuellen Maschine, die auf einem Server in einem Datacenter liegt. VDI gibt den Benutzern die Freiheit und Mobilität auf ihre virtuellen Desktops jederzeit, überall von jedem Gerät zuzugreifen. Sie kann Unternehmen helfen, Prozesse zu vereinfachen und Kosten durch Konsolidierung und zentrales IT-Management zu senken.

Für VDI sind die bedeutesten Faktoren die CPU-GPU Ratio, Speicherkapazitäten und Memory.

Deep Learning (DL) / Neurale Netzwerke

Die Entwicklung von AI Applikationen beginnt mit dem Training der Neuralen Netzwerke mit großen Daten-Sets. GPU-beschleunigte DL-Plattformen wie BrightML, Bitfusion und NVIDIA NGC offerieren.