Туториал: ускоряем ML-пайплайны на GPU с NVIDIA cuML и RAPIDS — от бенчмаркинга до инференса

Вышел практический туториал по NVIDIA cuML — фреймворку для GPU-ускоренного машинного обучения. В нём показано, как с помощью RAPIDS ускорить привычные задачи data science, начиная с конфигурации GPU-окружения и заканчивая сериализацией обученных моделей. Особое внимание уделено cuml.accel — инструменту, который позволяет ускорить существующий код на scikit-learn буквально одной строкой.

В рамках воркфлоу авторы бенчмаркают CPU и GPU реализации PCA, K-Means, поиска ближайших соседей, логистической регрессии, случайного леса и DBSCAN с синхронизированным замером времени. Затем строят пайплайны манифолд-обучения и кластеризации на UMAP, t-SNE, HDBSCAN, а также проверяют объяснимость через SHAP на GPU и высокопроизводительный инференс лесов через FIL (Forest Inference Library).

Отдельно рассмотрена оптимизация гиперпараметров с помощью мета-оценщиков scikit-learn и переносимость моделей между GPU и CPU. Туториал включает готовый код с настройками датасетов (до 200 тысяч объектов, 64 признака) и инструкцию по установке RAPIDS в Colab или на локальную машину с NVIDIA GPU.