Şirketler giderek daha fazla veri odaklı hale geliyor; pazar ve çevre verilerini algılıyor ve karmaşık kalıpları tanımak, değişiklikleri tespit etmek ve doğrudan alt çizgiyi etkileyen tahminlerde bulunmak için analitik ve makine öğrenimini kullanıyor. Veri odaklı şirketler, veri sellerini yönetmek ve anlamlandırmak için veri bilimini kullanıyor.
Veri bilimi her sektörün bir parçasıdır. Perakende, finans, sağlık ve lojistik gibi büyük şirketler rekabet güçlerini, yanıt verme yeteneklerini ve verimliliklerini artırmak için veri bilimi teknolojilerinden yararlanır. Reklam şirketleri reklamları daha etkili bir şekilde hedeflemek için bunu kullanır. İpotek şirketleri maksimum getiri için temerrüt riskini doğru bir şekilde tahmin etmek için bunu kullanır. Perakendeciler de tedarik zincirlerini düzene sokmak için bunu kullanır. Aslında, bu büyük veri devrimini ateşleyen şey, 2000’lerin ortalarında Hadoop, NumPy, scikitlearn, Pandas ve Spark gibi açık kaynaklı, büyük ölçekli veri analitiği ve makine öğrenimi yazılımlarının kullanılabilirliğiydi.
Günümüzde veri bilimi ve makine öğrenimi dünyanın en büyük hesaplama segmenti haline gelmiştir. Tahmini makine öğrenimi modellerinin doğruluğundaki mütevazı iyileştirmeler, milyarlarca dolara kadar kâr getirebilir. Tahmini modellerin eğitimi veri biliminin merkezinde yer alır. Aslında, veri bilimi için BT bütçelerinin çoğu, veri dönüşümü, özellik mühendisliği, eğitim, değerlendirme ve görselleştirmeyi içeren makine öğrenimi modelleri oluşturmaya harcanmaktadır. En iyi modelleri oluşturmak için veri bilimcilerinin çok sayıda yinelemeyle eğitim alması, değerlendirmesi ve yeniden eğitmesi gerekir. Günümüzde bu yinelemeler günler sürmektedir ve üretime dağıtılmadan önce kaç yinelemenin gerçekleşebileceğini sınırlayarak nihai sonucun kalitesini etkilemektedir.
İşletmeler genelinde analitik ve makine öğrenimini çalıştırmak için devasa bir altyapı gerekir. Fortune 500 şirketleri ölçeklenebilir hesaplama yapar ve devasa veri bilimi kümeleri oluşturmak için binlerce CPU sunucusuna yatırım yapar. CPU ölçeklenebilirliği artık etkili değildir. Dünyadaki veriler her yıl iki katına çıkarken, CPU hesaplama Moore yasasının sona ermesiyle bir çıkmaza girdi. GPU’lar, birden fazla görevi aynı anda ele almak için tasarlanmış binlerce küçük verimli çekirdekten oluşan devasa paralel bir mimariye sahiptir. Bilimsel hesaplama ve derin öğrenmenin NVIDIA GPU hızlandırmasına yönelmesine benzer şekilde, veri analitiği ve makine öğrenimi de GPU paralelleştirmesinden ve hızlandırmasından faydalanacaktır.
