EO_477

TECH INSIGHT ACCELERATED COMPUTING 28 - ELETTRONICA OGGI 477 - APRILE 2019 Previsione e apprendimento Un’area in cui le aziende prevedono di ricavare un valore aggiunto significativo con il progresso nell’analisi dei Big Data è quella dell’analisi predittiva, che contribuisce ad anticipare tendenze ed eventi in vari ambiti, dalla manutenzione dei macchinari ai servizi finanziari. “Le analisi su larga scala, come la costruzione di un modello predittivo dei dati disponibili, vengono spesso eseguite come un processo improvviso”, commenta il CEO di Xele- ra Felix Winterstein. “Sempre più spesso osserviamo che i clienti desiderano modelli più accurati, oppure che vogliono ridurre i tempi di esecuzione a poche ore o addirittura minu- ti, per ottenere istantaneamente i modelli di dati”. Per soddi- sfare queste esigenze, Xelera utilizza gli FPGA per ottenere un’accelerazione fino a due ordini di grandezza superiore rispetto alle CPU multicore nelle applicazioni di riferimento. “La GPU è un buon candidato come veicolo per l’accelera- zione in alcune applicazioni che sono per natura adatte per l’architettura delle GPU”, commenta. “D’altra parte, l’FPGA è un acceleratore estremamente versatile che può accele- rare una gamma più vasta di applicazioni”. Oltre ad assicu- rare tempi di esecuzione più veloci per i carichi di lavoro di analisi dei dati, un ulteriore vantaggio ottenuto con l’ac- celerazione hardware è dato dal risparmio energetico. Ryft ha raggiunto fattori di accelerazione compresi tra 10 e 100, usando gli FPGA per carichi di lavoro come la ricerca fuzzy dei testi, l’elaborazione dei segnali e l’analisi di immagini o di video con apprendimento automatico. Al contempo, anche il consumo energetico è molto più basso. “Abbiamo assistito a una riduzione dei consumi energetici di ben dieci volte in molti scenari reali”, spiega Pat McGarry, VP di Engineering . “Gli enormi guadagni di prestazioni con minori requisiti in termini di consumi hanno realmente aperto gli occhi ai clienti interessati alle applicazioni di analisi al bordo delle reti, in cui il consumo di potenza costituisce spesso un requisito cri- tico, e in cui semplicemente non è possibile impilare un rack sull’altro”. Per quanto riguarda il ruolo dell’accelerazione hardware nei modelli con hardware installato presso la sede del cliente e di tipo ibrido edge/cloud, Pat McGarry osserva che, “anche se la maggior parte dei nostri clienti esegue le applicazioni a livello locale con risorse di accelerazione basate su FPGA collegate tramite PCIe a server standard x86 su rack, noi offriamo anche la possibilità di utilizzare gli FPGA per l’esecuzione dell’istanza AWS EC2 F1 accelerata con FPGA, che permette l’accelerazione su cloud del carico di lavoro o anche l’adozione di modelli di installazione ibridi che combinano risorse di elaborazioni locali e su Cloud”. Pat McGarry prevede che le installa- zioni ibride diventeranno sempre più significative con l’andare del tempo. “È ormai assolutamente chiaro che non è possibile inviare al cloud ‘tutti’ i dati presenti a bordo rete in tempi rapidi, e di sicuro non è economicamente con- veniente. Vedremo piattaforme di analisi previsionale che sfrutteranno in certa misura l’analisi dei dati significativi a bordo rete, che ridurrà la quantità di dati inviati al cloud per un’elaborazione potenzialmente più approfondita”. “È fuori dubbio che gli FPGA abbiano un ruolo in entrambi i lati del sistema ibrido”, aggiunge, “ma di sicuro le fun- zionalità di accelerazione che gli FPGA rendono possibili a bordo rete in una varietà di funzioni di apprendimento automatico saranno ampliate rispetto alle operazioni di nicchia di oggi per diventare sempre più ampiamente inte- ressanti per la comunità degli analisti di dati”. Guardando al futuro, l’apprendimento automatico diventerà sempre più critico per un’analisi efficace dei dati, con il continuo aumento del ritmo con cui i dati vengono generati e con il fatto che le funzioni algoritmiche in tempo reale, le risorse di storage, la larghezza di banda di rete, le prestazioni di calcolo e le capacità degli analisti umani non sono in grado di tenere il passo. Le aziende e il mondo scientifico sono sempre più consapevoli del valore contenuto all’interno delle grandi quan- tità di dati che vengono attualmente raccolti dai mondi fisici e virtuali. La domanda di risorse di analisi dei dati è in genere proporzionale alla quantità di dati che vengono generati. Con la continua crescita esponenziale della quantità di dati, l’esigenza di risorse di analisi dei dati crescerà di pari passo. Le attuali architetture hardware e software non possono essere usate in modo conveniente per soddisfare le esigenze di generazione, archiviazio- ne e analisi dei dati. Di conseguenza, c’è urgente bisogno di approcci nuovi e innovativi basati su piattaforme di calcolo eterogenee che abbinano in modo opportuno le risorse di tipo CPU e FPGA. Gli FPGA, con la loro configu- rabilità, la flessibilità, il supporto al parallelismo e l’efficienza energetica, garantiscono un’accelerazione efficace ed efficiente dei carichi di lavoro di elaborazione dei dati. Alibaba Cloud Elastic Compute Service (ECS) mette a disposizione memorie veloci e CPU Intel delle più recenti generazioni per gestire al meglio le applicazioni cloud e ottenere risultati in tempi brevi