Selular.ID – Cloudera bekerja sama dengan NVIDIA menghadirkan akselerasi GPU native untuk Apache Spark pada Cloudera Data Engineering.
Teknologi ini memanfaatkan NVIDIA cuDF, bagian dari pustaka NVIDIA CUDA-X, untuk mempercepat pemrosesan data tanpa mengharuskan perusahaan mengubah kode PySpark atau SQL yang sudah digunakan.
Pengumuman tersebut disampaikan Cloudera pada 20 Agustus 2026 dan menjadi bagian dari strategi perusahaan mempercepat pipeline data untuk kebutuhan analitik serta kecerdasan artifisial (AI) di lingkungan hybrid.
Akselerasi tersebut ditujukan untuk organisasi yang menjalankan workload Apache Spark dalam skala besar. Cloudera menyebut implementasinya dapat memberikan akselerasi workload hingga empat kali lipat pada GPU NVIDIA dibandingkan infrastruktur CPU tradisional.
Waktu komputasi yang lebih singkat diharapkan membantu perusahaan mempercepat proses ekstraksi, transformasi, dan pemuatan data (ETL), sekaligus menekan penggunaan sumber daya cloud.
Kolaborasi ini juga terhubung dengan Cloudera Anywhere Cloud, platform hybrid yang diumumkan perusahaan pada 19 Agustus 2026.
Platform tersebut dirancang untuk menjalankan layanan data seperti Spark, Kafka, dan Trino di berbagai lingkungan, termasuk multi-cloud dan on-premises, dengan pengelolaan serta tata kelola yang konsisten.
Chief Product Officer Cloudera Leo Brunnick mengatakan tantangan implementasi AI di perusahaan tidak hanya berada pada model yang digunakan, tetapi juga pada kecepatan organisasi dalam mengolah data mentah menjadi data yang dapat dipercaya.
“Mengakselerasi Spark di dalam Cloudera Data Engineering membantu menghilangkan hambatan tersebut, memungkinkan pelanggan beralih dari penyiapan data ke analitik dan AI dengan lebih cepat,” ujar Brunnick.
GPU Percepat Pipeline Apache Spark
Apache Spark merupakan framework pemrosesan data terdistribusi yang banyak digunakan untuk menangani dataset berukuran besar.
Dalam lingkungan enterprise, Spark dapat digunakan untuk ETL, analitik, pemrosesan data skala besar, hingga tahap penyiapan data sebelum digunakan oleh aplikasi AI.
Masalah muncul ketika volume data meningkat dan proses tersebut harus dijalankan berulang kali. Pemrosesan berbasis CPU dapat membutuhkan waktu komputasi panjang, sementara perusahaan tetap harus membayar sumber daya cloud selama proses berlangsung.
NVIDIA cuDF mengambil pendekatan berbeda dengan memindahkan operasi pemrosesan data tertentu ke GPU. NVIDIA menjelaskan cuDF merupakan toolkit pemrosesan data terstruktur berbasis CUDA yang memanfaatkan paralelisme GPU dan bandwidth memori tinggi.
Library tersebut dapat mempercepat operasi seperti join, agregasi, sorting, dan shuffle yang umum ditemukan dalam pemrosesan data.
Pada implementasi bersama Cloudera, kemampuan tersebut ditanamkan ke Cloudera Data Engineering sehingga pelanggan dapat menjalankan workload Spark yang sudah ada dengan akselerasi GPU.
Pendekatan ini mengurangi kebutuhan untuk melakukan penulisan ulang kode aplikasi sebagai bagian dari proses adopsi akselerasi.
Cloudera menyebut dukungan tersebut mencakup Apache Spark 4.1. Selain akselerasi GPU tanpa perubahan kode, implementasi ini juga menyediakan integrasi bawaan sehingga pengguna tidak perlu melakukan konfigurasi driver secara manual.
Bagi tim data engineering, pendekatan tersebut berpengaruh pada proses migrasi karena kode PySpark maupun SQL yang telah digunakan dalam pipeline tidak perlu dirombak hanya untuk memanfaatkan GPU.
Namun, tingkat akselerasi aktual tetap bergantung pada karakteristik workload, operasi Spark yang digunakan, konfigurasi infrastruktur, serta jenis GPU.
Tekan Waktu Komputasi Cloud
Pengurangan waktu pemrosesan menjadi salah satu alasan utama penggunaan GPU pada workload data. Ketika pekerjaan analitik dapat selesai lebih cepat, perusahaan dapat mengurangi durasi penggunaan sumber daya komputasi yang dibayar berdasarkan konsumsi.
NVIDIA menjelaskan akselerasi GPU untuk workload analitik dapat menekan biaya dengan mengurangi waktu komputasi, baik pada infrastruktur on-premises maupun cloud.
Untuk lingkungan cloud, pemrosesan yang lebih singkat dapat berdampak langsung terhadap jumlah waktu sumber daya komputasi digunakan.
Konteks tersebut menjadi semakin relevan ketika perusahaan meningkatkan investasi AI. Berdasarkan survei Cloudera terhadap 1.500 enterprise architect, cloud infrastructure lead, dan data architect di berbagai negara, 77% organisasi yang disurvei telah menggunakan AI.
Namun, 95% responden mengatakan organisasi mereka pernah menunda atau membatalkan inisiatif AI dalam setahun terakhir karena persoalan data governance, compliance, atau regulasi.
Survei yang sama menunjukkan 72% responden menilai arsitektur data mereka membutuhkan perombakan signifikan untuk memenuhi kebutuhan AI mendatang.
Temuan tersebut menggambarkan bahwa persoalan AI di tingkat enterprise tidak hanya berkaitan dengan ketersediaan model, tetapi juga kesiapan infrastruktur dan data.
Cloudera menyebut 84% responden dalam surveinya juga melihat workload AI meningkatkan biaya infrastruktur.
Percepatan pipeline data menjadi salah satu pendekatan yang ditawarkan perusahaan untuk mengurangi waktu pemrosesan sekaligus mempercepat penyediaan data yang siap digunakan untuk analitik dan AI.
Dirancang untuk Lingkungan Hybrid
Cloudera tidak membatasi pendekatan akselerasi tersebut pada satu penyedia cloud.
Kemampuan GPU untuk Apache Spark menjadi bagian dari strategi Cloudera dalam menyediakan lingkungan data yang dapat berjalan di public cloud, private cloud, sovereign cloud, maupun infrastruktur on-premises.
Hal ini sejalan dengan Cloudera Anywhere Cloud yang memungkinkan organisasi menerapkan layanan data secara modular di berbagai lingkungan.
Platform tersebut mendukung deployment engine seperti Spark, Kafka, dan Trino, sekaligus menggunakan standar terbuka seperti Apache Iceberg dan Polaris untuk membantu interoperabilitas antarsistem.
Pendekatan hybrid tersebut juga berkaitan dengan kebutuhan perusahaan untuk mempertahankan kontrol terhadap data.
Sebagian organisasi harus menjalankan data tertentu di lingkungan sendiri karena faktor regulasi, keamanan, kedaulatan data, atau kebijakan internal.
Pada saat yang sama, perusahaan tetap membutuhkan fleksibilitas cloud untuk workload yang membutuhkan kapasitas komputasi lebih besar.
Melalui integrasi NVIDIA cuDF, Cloudera berupaya membawa akselerasi GPU ke model deployment yang sama.
Data engineering dapat dilakukan di lingkungan yang berbeda tanpa harus mengubah arsitektur operasional secara mendasar hanya untuk memanfaatkan GPU.
NVIDIA Perkuat Akselerasi Data untuk AI
Vice President Strategic Enterprise Partnerships NVIDIA Pat Lee mengatakan pendekatan akselerasi yang tidak membutuhkan perubahan kode dapat membantu perusahaan mempercepat adopsi AI tanpa mengubah cara kerja yang sudah berjalan.
“Dengan infrastruktur NVIDIA AI dan library CUDA-X yang kini hadir secara native di Cloudera Data Engineering, perusahaan dapat menekan biaya dan secara signifikan mempercepat pipeline Apache Spark tanpa perlu mengubah satu baris pun kode PySpark atau SQL,” ujar Lee.
NVIDIA sendiri mulai menggunakan nama CUDA-X untuk kelompok library data science yang sebelumnya berada di bawah merek RAPIDS.
Perubahan nama tersebut berlaku mulai 11 Agustus 2026, sementara fungsi library tetap sama. cuDF menjadi salah satu komponen CUDA-X untuk pemrosesan data terstruktur menggunakan GPU.
Integrasi antara Cloudera Data Engineering dan NVIDIA cuDF menempatkan akselerasi pemrosesan data pada tahap awal pipeline AI.
Data yang lebih cepat diproses dan dipersiapkan dapat diteruskan ke tahapan analitik maupun workload AI tanpa harus membangun ulang pipeline yang telah digunakan.
Kemampuan akselerasi GPU untuk Apache Spark tersebut akan tersedia di Cloudera Data Engineering sebagai bagian dari Cloudera Anywhere Cloud.
Cloudera juga menjadwalkan demo dan sesi teknis terkait teknologi tersebut di NVIDIA GTC Berlin serta Cloudera EVOLVE New York pada akhir 2026.
Bagi perusahaan yang mengoperasikan workload Spark dalam lingkungan hybrid, integrasi ini menempatkan GPU bukan hanya sebagai akselerator untuk pelatihan atau inferensi AI, tetapi juga sebagai bagian dari lapisan pemrosesan data.
Cloudera dan NVIDIA mengarahkan pendekatan tersebut untuk mempercepat pipeline Apache Spark, mengurangi waktu komputasi, serta membantu organisasi menyiapkan data yang dibutuhkan aplikasi analitik dan AI.
Baca Juga: Indosat, Ooredoo, Nokia, dan Nvidia Bangun Infrastruktur AI Regional Zankore
