Terrill Dicki
15 de noviembre de 2024 05:39
Descubra cómo NVIDIA RAPIDS y cuML mejoran la inferencia causal aprovechando la aceleración de GPU para grandes conjuntos de datos, lo que ofrece importantes mejoras de velocidad con respecto a los métodos tradicionales basados en CPU.
A medida que el volumen de datos generados por las aplicaciones de consumo continúa creciendo, las empresas adoptan cada vez más métodos de inferencia causal para analizar datos de observación. Este enfoque proporciona información sobre el impacto de los cambios en componentes específicos en métricas comerciales clave, en función de El blog de NVIDIA.
Avances en técnicas de inferencia causal
Durante la última década, los econometristas han desarrollado una técnica conocida como aprendizaje automático dual, que integra modelos de aprendizaje automático en problemas de inferencia causal. Esto implica entrenar dos modelos predictivos en muestras de conjuntos de datos independientes y combinarlos para crear una estimación insesgada de la variable objetivo. Las bibliotecas de Python de código abierto como DoubleML facilitan esta técnica, aunque enfrentan desafíos al procesar grandes conjuntos de datos en CPU.
El papel de NVIDIA RAPIDS y cuML
NVIDIA RAPIDS, una colección de bibliotecas de inteligencia artificial y ciencia de datos aceleradas por GPU de código abierto, incluye cuML, una biblioteca de aprendizaje automático para Python compatible con scikit-learn. Al aprovechar RAPIDS cuML con la biblioteca DoubleML, los científicos de datos pueden lograr una inferencia causal más rápida y manejar de manera eficiente grandes conjuntos de datos.
La integración de RAPIDS cuML permite a las empresas utilizar algoritmos de aprendizaje automático computacionalmente intensivos para la inferencia causal, cerrando la brecha entre las innovaciones basadas en predicciones y las aplicaciones prácticas. Esto es particularmente ventajoso cuando los métodos tradicionales basados en CPU luchan por satisfacer las demandas de conjuntos de datos en crecimiento.
Mejoras en el rendimiento de las evaluaciones comparativas
El rendimiento de cuML se comparó con el de scikit-learn utilizando una variedad de tamaños de conjuntos de datos. Los resultados demostraron que en un conjunto de datos de 10 millones de filas y 100 columnas, la canalización DoubleML basada en CPU tardó más de 6,5 horas, mientras que cuML RAPIDS acelerado por GPU redujo este tiempo a solo 51 minutos, logrando una aceleración de 7,7 veces.
Estas bibliotecas de aprendizaje automático aceleradas pueden ofrecer una velocidad hasta 12 veces superior a la de los métodos basados en CPU, con solo unos ajustes mínimos de código necesarios. Esta mejora sustancial resalta el potencial de la aceleración de GPU para transformar los flujos de trabajo de procesamiento de datos.
Conclusión
La inferencia causal juega un papel crucial para ayudar a las empresas a comprender el impacto de los componentes clave del producto. Sin embargo, utilizar innovaciones de aprendizaje automático para este propósito siempre ha demostrado ser un desafío. Técnicas como el aprendizaje automático dual, combinadas con bibliotecas informáticas aceleradas como RAPIDS cuML, permiten a las empresas superar estos desafíos, convirtiendo horas de procesamiento en minutos con cambios mínimos de código.
Fuente de la imagen: Shutterstock