Fitur Enterprise GPU Accelerated Database Analytics Percepat Pengolahan dan Analisis Data

GPU Accelerated Database Analytics Percepat Pengolahan dan Analisis Data

Ilustrasi data analytics.

Semakin hari, semakin banyak perangkat digital yang digunakan, semakin banyak pula data yang dihasilkan.

Menghadapi hal tersebut, banyak perusahaan juga telah menerapkan inisiatif big data untuk mengolah seluruh data tersebut, kemudian mengolahnya agar menjadi informasi berharga yang bisa mendorong inovasi untuk lebih mengakomodasi kebutuhan konsumennya. IDC bahkan memprediksi bahwa belanja perusahaan di kawasan Asia Pasifik untuk solusi big data analytics akan mencapai US$13,6 miliar sepanjang tahun 2017 ini.

Dengan arus bertambahnya data yang begitu pesat, apalagi kini ditambah lagi dengan aliran data dari perangkat Internet of Things membuat proses analisis dan pemrosesan data kian berat dan membutuhkan tenaga yang lebih besar lagi. Sejumlah perusahaan diklaim mengalami kesulitan untuk mengikuti arus data tersebut untuk dapat memproses dan menganalisis dengan kecepatan yang sama.

CPU yang menjadi otak dalam melakukan pemrosesan serta analisis data dalam sebuah big data framework, terkadang dianggap tak mencukupi lagi untuk mengimbangi besarnya data yang diciptakan. Penambahan CPU atau mesin server untuk meningkatkan kapasitas pengolahan mungkin bukan menjadi pilihan banyak pihak mengingat biaya serta waktu yang dibutuhkan.

Beberapa tahun belakangan, berkembang konsep big data analytics dengan memanfaatkan graphics processing unit (GPU). Tren tersebut pertama kali muncul sekitar tahun 2009. Saat itu, penggunaan GPU untuk membantu database analytics digunakan oleh United States Army Intelligence and Security Command (INSCOM) untuk membantu menganalisis aktivitas terorisme dan berbagai ancaman keamanan lainnya secara real-time.

GPU mungkin selama ini umumnya dikenal sebagai perangkat untuk mengolah grafis seperti untuk game dan beberapa aplikasi grafis lainnya. Namun, GPU juga bisa dimanfaatkan untuk menjalankan komputasi lainnya, termasuk juga untuk database analytics.

Lebih Banyak, Lebih Cepat

Secara singkat, GPU accelerated analytics adalah sebuah platform database yang menyediakan fungsi data warehousing, advanced analytics, visualisasi, hingga machine learning dan deep learning dengan memanfaatkan GPU sebagai otak pemrosesannya.

Mengapa GPU menjadi pilihan untuk komputasi selain CPU? Secara garis besar, CPU dan GPU memiliki konstruksi yang nyaris sama. Keduanya memiliki core yang bertugas untuk mengerjakan seluruh komputasi yang diberikan.

Namun bedanya, jika CPU memiliki core yang bertenaga dan lebih cepat jika dibandingkan GPU, tapi sebuah GPU bisa memiliki jumlah core yang jauh lebih banyak walaupun secara kinerja lebih rendah dengan kemampuan yang lebih terbatas juga. Dengan jumlah core yang jauh lebih banyak, tugas komputasi bisa dijalankan secara paralel dalam jumlah yang lebih besar.

Dalam sebuah framework big data, GPU database analytics memiliki fungsi yang mirip dengan database analytics, seperti Hadoop atau Spark. GPU database analytics bertugas sebagai agregator serta menganalisis data yang dikumpulkan dari kolektor data seperti AWS, Cloudera, dan Oracle. Hasil pengolahan tersebut kemudian ditampilkan dalam bentuk summary untuk analisa lebih lanjut.

Jika dibandingkan dengan pemrosesan menggunakan CPU, GPU database analytics memiliki keunggulan. Amit Vij (CEO, Kinetica) menyebutkan bahwa keunggulan analytics berbasis GPU ini terletak pada efisiensi dan efektivitasnya jika dibandingkan CPU.

Amit Vij (CEO, Kinetica).

CPU umumnya hanya memiliki beberapa core dan thread yang memroses data analytics. Sedangkan GPU dapat melakukan lebih banyak tugas secara simultan karena memiliki jumlah core yang jauh lebih banyak, bisa ratusan hingga ribuan pada setiap GPU-nya.

Dengan keunggulan kinerja tersebut, GPU accelerated database analytics diklaim mampu memberikan peningkatan kinerja hingga seratus kali dengan biaya yang jauh lebih hemat jika dibandingkan dengan solusi yang menggunakan CPU. Selain itu statistik, visualisasi, serta hasil analisis bisa dihasilkan dalam hitungan milidetik.

Manfaat Besar

Melalui segala kelebihan yang ditawarkan oleh GPU accelerated database analytics, solusi ini dapat memenuhi kebutuhan perusahaan yang memang biasa mengolah data bervolume sangat besar.

Perusahaan yang bergerak di industri-industri, seperti perbankan, migas, otomotif, farmasi, ritel, dan beberapa industri lain yang umumnya memiliki workload dengan intensitas data yang sangat tinggi bisa mendapatkan manfaat dari penggunakan GPU accelerated database analytics.

Amit mengatakan, salah satu industri yang bisa memanfaatkan GPU accelerated database analytics ini adalah industri farmasi. Ia mencontohkan, salah satu kliennya yang bergerak dalam bidang farmasi. Perusahaan tersebut mengaplikasikan machine learning, deep learning, dan natural language processing untuk melakukan riset pengembangan obat baru.

Dengan penggunaan GPU accelerated database analytics, proses penemuan dan pengembangan obat dapat dilakukan dengan lebih cepat tanpa perlu mengeluarkan biaya lebih besar, dan mengurangi risiko kegagalan. Kinetica mengklaim bahwa penggunaan GPU accelerated database analytics dapat memberikan hasil 75 hingga 100 kali lebih cepat jika dibandingkan penggunaan database analytics tradisional.

Penggunaan GPU accelerated database analytics memang mampu mempercepat pengolahan data untuk pengambilan keputusan yang lebih cepat. Namun meskipun begitu, bukan berarti penggunaan teknologi ini bisa digunakan untuk semua skenario.

Kinetica misalnya. Aplikasi ini adalah sebuah platform database analytics yang didesain untuk OLAP yang memiliki data yang sangat kompleks dan lebih mengutamakan hasil pengolahan data untuk perencanaan, memecahkan masalah, dan juga membantu pengambilan keputusan. Amit menyatakan, GPU accelerated database analytics seperti Kinetica kurang cocok untuk OLTP yang biasanya lebih sederhana dengan struktur query yang lebih standar.

Namun bukan berarti GPU accelerated database analytics tidak cocok sebagai solusi OLTP. Solusi ini juga bisa digunakan untuk OLTP bila diintegrasikan dengan aplikasi database dan business intelligence lain.

Diagram kerja Kinetica.

Memilih GPU Accelerated Database Analytics untuk Mendorong Bisnis Anda

Saat ini terdapat sejumlah penyedia aplikasi yang dikhususkan untuk GPU accelerated database analytics ini. Salah satunya adalah Kinetica.

Kinetica merupakan aplikasi in-memory analytics database yang memanfaatkan GPU dan bermitra dengan Nvidia untuk menghasilkan pengolahan data yang sangat cepat.

Amit Vij mengatakan bahwa Kinetica mampu merespons query database yang besar dan kompleks secara real-time. Kecepatannya diklaim hingga seratus kali lebih cepat jika dibandingkan database tradisional. Selain itu, penggunaan GPU juga membuat biaya perangkatnya menjadi jauh lebih murah jika dibandingkan dengan mesin database server tradisional.

Selain Kinetica, terdapat juga sejumlah pemain lain di segmen ini, seperti MapD, Sqream DB, PG-Strom, dan Blazegraph. Seluruh aplikasi database tersebut memanfaatkan teknologi GPU untuk melakukan pengolahan database dan analytics. Namun, aplikasi-aplikasi tersebut memiliki sejumlah pembeda dari jenis data yang cocok untuk dikelolanya serta ukuran database-nya.

Comments

comments