海量数据、深刻见解以及快如闪电的 GPU 提供全方位动力支持。
随着人工智能 (AI) 的爆炸式发展，传统的企业分析解决方案已不再满足快速处理大量数据的需求。由此，GPU 加速分析与深度学习应用已成为成功的关键。
企业需要建立一套新的体系，从而提高生产力、效率、见解以及自动化程度。伴随 AI 和加速分析技术的发展，它们需要适应现代商业的方方面面，从欺诈检测、网络安全，到消费者体验。
加入我们的慕尼黑（1 月 30 日）、伦敦（2 月 6 日）以及巴黎（2 月 8 日）专场活动，了解更多关于 NVIDIA 以及 GPU 加速合作伙伴如何改变传统分析生态系统的相关信息。这些解决方案适用于各行各业。以下是几个亮点：
H2O.ai：GPU 助力企业解决机器自动学习问题
H2O.ai Driverless AI 作为一个 GPU 加速机器学习平台，旨在提供专业的解决方案，该平台由 Kaggle Grandmasters 创建，服务于数据科学家及企业用户，用以训练他们的机器学习模型，从而得到更快及可解释的见解。
例如，其需花费 30+ 小时构建一个经过良好调优的 GBM 算法。由于数据的海量及其多样性，模型的准备工作非常复杂。而出于客户数据的不断变化性及对提高模型预测精度的需要，常用模型的再训练与重新评价是不可避免的。这还不包括为获得最大精确性所做的所有特征设计。
最重要的是，专业数据科学人才严重短缺。对专用资源看似无止境的等待，意味着在获得商务见解方面的进一步延迟。最后，解释复杂黑盒模型的结果极其困难，同时成为企业采用 AI 的障碍。
H2O.ai 针对处理缓慢、模型复杂性以及缺乏专业知识的问题推出解决之道。
在我们的欧洲路演中，H2O.ai 将展示金融客户 Paypal 如何利用 Driverless AI 进行欺诈检测，以防止串谋和其他有组织犯罪。Paypal 利用一年的训练数据（包括来自 15 亿个终端以及 50 万个节点的数据），在 Driverless AI 上进行训练，由 4 个 NVIDIA Tesla P100 GPU 加速器提供动力支持，最终得到相比 CPU 提高 6 倍速率的结果。
Kinetica：GPU 加速数据库
Kinetica 是一个分布式的内存 GPU 加速数据库。该加速数据库提供动态数据的实时分析，在静止时，其至少能达到 10-100x 的更快性能，而同时成本仅为传统系统的1/10。
数字化商业在应对不断增长的数据量与数据速度、对这些数据进行更为复杂的分析，以及基于深刻见解做出实时决策方面，正面临着诸多挑战。
而与此同时，相关的数据库管理系统与数据仓库技术可存储越来越多的数据，但它们很难对这些数据加以分析，从而进行实时决策，且此举花费巨大。
使用诸如 Hadoop 等技术存储大量数据，尽管其价格变得更加实惠，但它们的复杂性以及面向批处理的方法却极大地延迟了见解的形成。
而分析数据，尤其是在输入的同时可能发生改变的数据，需要新一代技术。旧版数据系统或 Hadoop 基础设施无法跟上流式传输数据分析的步伐。
在我们的巡回展中，Kinetica 会分享一个示例，说明在网络安全领域，企业需要一个安全、灵活的系统来支持高密度工作负载，并减轻各个阶段的威胁。客户的主要目标是实时识别各种恶意活动，以保护用户不受当前和新出现的网络威胁。
通过对所有网络流量数据、基础设施数据和日志数据的深入收集，Kinetica 帮助客户提供额外的设备环境和对用户活动的洞察。此外，Kinetica 的高级数据库分析技术通过用户定义的功能 (UDF)，允许数据科学家对 TensorFlow、Caffe 及 Torch（或定制化逻辑）等机器学习库进行操作，以弥合数据科学、数据分析和商业智能之间的鸿沟，并获得更深入的见解。
MapD：GPU 助力的 SQL 引擎及可视化系统
MapD 是一个开源的 GPU 加速 SQL 引擎和可视化系统，可在拍字节 (PB) 级别上对数十亿行数据进行探索。在我们的巡回展中，MapD 会将消费者人口统计数据与信用卡购买数据相结合，为不同品牌和产品的购买模式提供深入见解。这些见解最终可用于推动相关安全措施的交易策略。
第一个数据集由数据提供商 Axciom 提供，包括涵盖近 4000 万个 zip+4 地区的详细人口数据。MapD 利用其地理空间渲染能力对数据进行探索。之后，通过使用由 Quandl 提供的另一组约 5 亿张信用卡的交易数据，MapD 展示如何快速了解消费者购买模式，比如每次 iPhone 发布的收入预计。
加入这两个数据集后可获得更出众的洞察力。通过在信用卡购买数据的地理坐标以及 zip+4 人口数据之间创建实时连接，MapD 可识别各事物间的相关性，如收入、财富、受教育程度及政治派别对购买决策的影响。
举例来说，可通过结果明显看出，Netflix 的更多收入来自中下阶层和上层阶级，而家得宝 (Home Depot) 在共和党地区受到欢迎。而优步 (Uber) 最初是富人的奢侈品，但已开始渗透到中产和中上阶层。投资者可利用这样的见解，为消费品牌的未来市场扩大商机，进而帮助他们发展交易策略。
最后，MapD 会在演示的末尾，使用 GPU 数据框架/Apache Arrow支持的 pymapd，以快速从 MapD 中提取数据，并执行回归，从而确定驱动各种品牌消费的人口因素。
如您在欧洲，请加入我们，一道观看现场演示，了解更多关于 GPU 加速分析和机器学习解决方案如何帮助企业提高效率的信息。