Katana Graph Acelera Análise de Grafos em Larga Escala no Intel Xeon de 3ª Geração com Duplicação de Velocidade

A Katana Graph, startup de análise de grafos de alto desempenho, anunciou que seu motor principal Katana Graph Engine (KGE) foi totalmente otimizado para os processadores escaláveis Intel Xeon de 3ª geração e a plataforma de memória persistente Optane que os acompanha. A atualização entrega um aumento de velocidade quase dobrado para cargas de trabalho de grafos no novo hardware enquanto permite processar conjuntos de dados maiores em clusters menores.

O KGE é um runtime distribuído que combina CPUs e GPUs em uma única plataforma coesa. Suporta análises avançadas de grafos, mineração de padrões, e consultas em conjuntos de dados massivos e irregulares — incluindo grafos de web-crawl com bilhões de vértices e trilhões de arestas. Aproveitando tanto escalonamento horizontal quanto memória de alta largura de banda, o motor pode analisar grafos que seriam inviáveis em uma única máquina.

Desenvolvido ao longo de uma década de pesquisa pelos co-fundadores Chris Rossbach e Keshav Pingali, o motor incorpora técnicas de ponta em particionamento de grafos, balanceamento de carga ciente de NUMA, e otimização de kernels GPU. O particionador pode ser customizado com políticas definidas pelo usuário, enquanto o runtime de comunicação minimiza o overhead que tipicamente assola algoritmos de grafos distribuídos.

Para desenvolvedores Python, o KGE expõe estruturas de dados concorrentes altamente escaláveis — como representações de grafos thread-safe e worklists — permitindo prototipagem rápida sem sacrificar desempenho. O runtime lida automaticamente com distribuição de dados, gerenciamento de memória, e coordenação cross-node, libertando cientistas de dados para focar no design de algoritmos.

Com os processadores escaláveis Xeon de 3ª geração, a plataforma da Katana Graph aproveita as melhorias micro-arquiteturais mais recentes, incluindo contagens de core mais altas, hierarquias de cache maiores, e Intel Deep Learning Boost. Quando emparelhado com memória persistente Optane, o sistema oferece um aumento dramático na capacidade efetiva de DRAM, reduzindo ainda mais a necessidade de clusters grandes e caros.

"Nosso motor agora entrega até o dobro de performance no Intel Xeon de 3ª geração do que na geração anterior, direto da caixa," disse Keshav Pingali, co-fundador e CEO. "Trabalhando de perto com a Intel, desbloqueamos novos níveis de eficiência que nossos clientes empresariais — abrangendo varejo, finanças, e gestão de identidade — podem sentir diretamente em suas análises diárias."

O Vice-Presidente e Gerente Geral de Desempenho de Machine Learning da Intel, Wei Li, ecoou o entusiasmo: "A Katana Graph aproveitou a arquitetura inovadora do processador escalável Xeon de 3ª geração, entregando um impulso game-changing em performance de análise de grafos. Nossa colaboração ajudará clientes a enfrentar os maiores desafios de dados não estruturados."

Além da velocidade bruta, a nova otimização reduz footprint de cluster e custos operacionais. A missão da Katana Graph é dar às organizações a pilha de software de grafos mais rápida e custo-efetiva, capacitando-as a extrair insights acionáveis de dados não estruturados e acelerar crescimento de negócios.

Em um marco recente, a Katana Graph levantou US$ 28,5 milhões em uma rodada Série A liderada pela Intel Capital, com participação da WRVI Capital, Nepenthe Capital, Dell Technologies Capital, e Redline Capital. O financiamento ressalta o apetite do mercado por soluções de grafos de alto desempenho em setores como farmacêutico, fintech, identidade, e cibersegurança.

Fundada em 2020 por professores da Universidade do Texas em Austin, a empresa combina rigor acadêmico com expertise comercial. Sua lista de liderança inclui Farshid Sabet, ex-GM de Edge AI na Intel, e conselheiros do board como o fundador da Infosys N. R. Narayana Murthy e a executiva da Cisco-P&G Amy Chang.

A proposta de valor única da Katana Graph reside em sua capacidade de lidar com dados não estruturados massivos, suportar mineração de padrões complexos, e entregar desempenho superior para IA e análise de grafos em clusters heterogêneos — incluindo CPUs x86, CPUs Arm, GPUs, e outros aceleradores.