AT&T 通过无线网络连接了从阿留申群岛到佛罗里达礁岛群的 1 亿多名用户，催生出一片大数据海洋。
Abhay Dabholkar 管理着一个研究小组，他们如同闪耀的灯塔，在数据海洋中寻找最佳导航工具。
作为在 AT&T 工作十余年的杰出 AI 架构师，Dabholkar 表示：“我们可以使用新工具来改变在 AT&T 的日常工作，这一过程十分有趣，并且当我们为员工提供最新的核心工具时，他们会对自己的工作感到更满意。”
近期，该团队在 GPU 助力的服务器上测试了适用于 Apache Spark 的 NVIDIA RAPIDS 加速器，该软件可将工作分配到集群中的各节点。
在本次测试中，仅 5 小时便处理完一个月的移动数据 – 2.8 万亿行信息。相较于先前的测试，速度提升 3.3 倍，而成本则降低 60%。
惊叹时刻
Dabholkar 表示：“这真是令人惊叹，因为在 CPU 集群上，仅处理 7 天的数据我们就需要耗费超过 48 小时的时间。过去尽管我们拥有数据，但却无法充分利用，因为处理这些数据需要很长时间。”
具体而言，该测试对所谓的 ETL（即提取、转换和加载流程）进行了基准测试，以便筛选出无用数据，然后再用筛选后的数据训练 AI 模型，发现全新见解。
他还表示：“目前我们认为 GPU 可用于 ETL 以及我们在 Spark 中执行的所有批处理工作负载，因此我们正在探索其他 RAPIDS 库，将工作从特征工程扩展到 ETL 和机器学习。”
目前 AT&T 在 CPU 服务器上运行 ETL，然后将数据转移至 GPU 服务器进行训练。他补充道，在单个 GPU 工作流中完成所有工作可以节省时间和成本。
提高客户满意度，加速网络设计
时间和成本的节省在众多用例中都有所体现。
例如，用户可以更快获取最佳连接，从而提高客户满意度并减少客户流失率。Dabholkar 表示： “我们还能更快确定 5G 信号塔和天线的参数。”
负责监督 RAPIDS 测试的团队高级成员 Chris Vo 表示，要确定在哪些 AT&T 光纤覆盖区域推出支持卡车，需要进行耗时的地理空间计算，而 RAPIDS 和 GPU 可以加速这一过程。
Dabholkar 说： “这项技术给我们带来极大影响，我们每天可能会收到 300-400TB 的新数据，先前需要耗费两三周以上的时间制作报告，而现在只需几小时便可完成。”
三个用例和统计结果
研究人员正在与 AT&T 数据平台团队成员分享他们的研究成果。
他说：“如果作业时间过长，且您拥有大量数据，我们建议您开启 GPU ，并借助 Spark，让在 CPU 上运行的代码也可以在 GPU 上运行。”
目前为止，各个团队在三个不同的用例中各有收获；其他团队也计划着测试其工作负载。
Dabholkar 乐观地表示，业务部门会将其测试结果引入生产系统中。
他说：“我们是一家拥有各类数据集的电信公司，每天都需要处理 PB 级数的数据，这种方法可以大大节省我们的时间和成本。”
此外，包括美国国家税务局在内的其他企业用户也纷纷选择使用这项技术。现有超过 13000 家公司（包括 400 家《财富》500 强公司）使用 Apache Spark，这表明大多数公司都愿意选择这种方式。
欢迎免费报名参加 GTC 大会，倾听来自 AT&T 的 Chris Vo 谈论他的工作，在这些会议中了解有关数据科学的更多信息，并聆听 NVIDIA 首席执行官黄仁勋先生的主题演讲。
–结束–
注意：如果因 AT&T 反馈而导致具体内容改变，请更新备份文件