Jakarta – 1 Agustus 2024 – QNAP Methods, Inc., Pengguna komputer pasti tak henti-hentinya mendengar istilah CPU, GPU, NPU, TPU. Nyatanya, GPU, NPU, TPU semuanya adalah prosesor khusus namun ditujukan untuk tugas yang dengan cara yang berbeda. Sebagai prosesor khusus, mereka bisa mengurangi beban kerja CPU hingga batas tertentu, dengan begitu sumber daya CPU bisa digunakan untuk tugas komputasi lainnya. Untuk itu, yang mana yang sangat dibutuhkan pengguna ditentukan oleh aplikasi dan tugas pengguna.
Pengenalan Sederhana mengenai CPU, GPU, NPU, dan TPU
CPU (Central Processing Unit) CPU mempunyai lebih minim inti dan dirancang khusus untuk komputasi umum. CPU juga bisa dilihat sebagai otak NAS, yang bertanggung jawab untuk menjalankan perintah dan program yang sangat dibutuhkan oleh sistem operasi dan aplikasi, dengan begitu kecepatan sistem NAS dan aplikasi terkait dengan kinerja CPU.
GPU (Graphics Processing Unit) Mikroprosesor yang didedikasikan untuk menjalankan operasi menggambar, GPU terstruktur dengan ratusan atau ribuan Mathematics Common sense Unit (ALU) dan mampu memproses banyak kalkulasi secara paralel, dan bisa dikategorikan menjadi chip grafis tertanam dan kartu grafis mandiri.
Selain penggunaan umum untuk rendering grafis dalam gim three-D, GPU sangat berguna untuk menjalankan analisis, pembelajaran mendalam, dan algoritma pembelajaran mesin, dan aplikasinya tentu sepertinya tidak terbatas pada pemrosesan gambar.
NPU (Neural Community Processing Unit) NPU dirancang khusus untuk dapat mempercepatnya aplikasi AI, dengan cara prosesor yang meniru sistem saraf manusia. Hemat energi, cocok untuk penggunaan jangka panjang, dan ultimate untuk tugas komputasi AI berkelanjutan, seperti pembuatan gambar, pengenalan wajah, dll.
TPU (Tensor Processing Unit) TPU adalah prosesor yang dikembangkan oleh Google secara khusus untuk dapat mempercepatnya tugas pembelajaran mesin. Sepertinya tidak seperti GPU, TPU dirancang untuk komputasi presisi rendah skala besar. Observasi Google memperlihatkan bahwa dalam tugas inferensi AI memakai jaringan saraf, kinerja TPU adalah 15 mencapai 30 kali lipat dari GPU dan CPU kontemporer. Tetapi, karena itu permintaan sepertinya tidak bisa dipenuhi secara memadai oleh pasokan karena itu keterbatasan produsen, TPU dapat sangat mahal.
Bagaimana cara kerja GPU pada QNAP NAS? Apa saja keuntungan GPU interior atau eksternal?
GPU pada QNAP NAS adalah GPU yang tersambung dalam CPU atau kartu grafis eksternal yang bisa diperluas dengan penggunaan dengan cara PCIe.
GPU interior dalam CPU bisa mempercepat kecepatan konversi report untuk video, dengan begitu report besar bisa dengan cepat dikonversi ke dalam structure yang bisa dijelajahi dengan lancar di berbagai perangkat. Misalkan saja, QNAP dengan GPU interior, TVS-h674T, mempunyai kecepatan konversi report 1,5 kali lebih cepat daripada TVS-674XT generasi sebelumnya tanpa GPU interior, dengan begitu menghemat cukup banyak waktu konversi report.
Pelajari selengkapnya: Version QNAP NAS dengan GPU bawaan
Saat QNAP NAS memakai GPU ekspansi PCIe eksternal, selain meningkatkan kinerja pemutaran konversi report dan komputasi grafis, ia juga bisa meningkatkan aplikasi grafis dan kinerja tampilan mesin digital dengan cara GPU Cross-through*.
*GPU Cross-through hanya kompatibel dengan VM dalam arsitektur Windows dan hanya berlaku untuk version QNAP NAS dan kartu grafis tertentu. Sebelum membeli kartu grafis QNAP NAS, harap periksa terlebih dahulu dimensi fisik dan kebutuhan daya kartu grafis.
Untuk informasi selengkapnya: Untuk informasi dukungan terperinci, silakan kunjungi daftar kompatibilitas QNAP.
Bagaimana cara kerja NPU pada QNAP NAS? Apa saja kelebihan NPU?
Secara khusus, NPU dalam QNAP NAS mempercepat pengoperasian QNAP AI Core. Misalkan saja: pengenalan gambar AI album pintar QuMagie, pengenalan teks AI OCR Qsirch dalam gambar, pengenalan wajah QVR Face Perception, dan penghitungan orang QVR Human, semuanya mengandalkan NPU untuk meningkatkan efisiensi AI.
Misalkan saja, AI NAS TS-AI642 generasi baru, yang dirancang khusus untuk aplikasi pengenalan gambar AI, dilengkapi dengan prosesor ARM octa-core 64-bit, dan unit pemrosesan saraf (NPU) tersambung dengan kinerja komputasi 6 TOPS. Berkat NPU bawaan, TS-AI642 bisa menghentikan pengenalan wajah dalam 0,2 detik. Dibandingkan dengan version NAS 6-bay kelas yang sama, kecepatan pengenalan AI OCR teks dalam gambar yang dijalankan oleh TS-AI642 juga bisa hingga peningkatan kinerja 20% yang signifikan.
Pelajari lebih lanjut: Version QNAP NAS dengan NPU bawaan
QNAP NAS memberi dorongan untuk pemasangan Edge TPU, yang bisa membantu aplikasi seperti QNAP QVR Face dalam melakukan pengenalan wajah secara real-time semasih analisis dinamis aliran video. Hal ini mengurangi beban kerja pada prosesor NAS dan sangat cocok untuk aplikasi yang memerlukan pengenalan puluhan ribu gambar wajah, atau di enviornment bisnis dan keamanan dengan cukup banyak aliran video. Akselerator Edge TPU yang hemat energi hanya memerlukan 0,5 watt untuk melakukan 4 TOPS (triliun operasi in keeping with detik) analisis.
Pelajari selengkapnya: Ikhtisar Produk Coral M.2 Accelerator dan Coral USB Accelerator
Di generation informasi, untuk memilih sistem NAS dan prosesor yang tepat sangatlah penting.
QNAP menawarkan beragam spesifikasi dan solusi perangkat keras untuk memenuhi berbagai kebutuhan pelanggan. Baik itu menangani gambar dan video banyak sekali dengan GPU, mempercepat aplikasi AI dengan NPU, atau meningkatkan kinerja dalam proyek pembelajaran mesin dengan TPU, QNAP cukup fleksibel untuk menyediakan beragam perangkat lunak dan perangkat keras serta sistem operasi berefisiensi tinggi untuk memungkinkan pengguna mengelola cadangan penyimpanan knowledge secara efisien, menjalankan aplikasi analisis AI, dan meningkatkan daya saing industri.
Untuk informasi lebih lanjut tentang produk paling kekinian QNAP, silakan kunjungi site QNAP.
Sumber: vritimes
Tinggalkan Balasan