Публикация на Хабре — практичный гид по ускорению типовых DS-пайплайнов на Python без переписывания кода, с опорой на стек NVIDIA RAPIDS (cuDF, cuML, cuGraph). Боль: сценарий «всё летало на сэмпле, а на 10+ млн строк — минуты и часы». Решение: 7 взаимозаменяемых «тумблеров» для переноса вычислений на GPU.

• Табличные данные: pandas через %load_ext cudf.pandas (прозрачный бэкэнд cuDF); Polars с .collect(engine="gpu") — планировщик Polars + GPU-исполнение.
• Модели: scikit-learn с %load_ext cuml.accel (ускорение без изменения API; поддержка алгоритмов зависит от версии); XGBoost с device="cuda".
• Визуализация/кластеризация: UMAP и HDBSCAN ускоряются тем же cuml.accel.
• Графы: NetworkX через nx-cugraph с %env NX_CUGRAPH_AUTOCONFIG=True — привычный код NetworkX работает на GPU.

Отдача (по демо из статьи): pandas+cuDF на 18 млн строк; Polars на 100 млн строк; UMAP — <1 с; HDBSCAN — с ~45 до ~2 с; обучение моделей — секунды вместо минут. Плюсы: быстрый скейл до десятков/сотен млн строк, снижение CPU-нагрузки, ускорение ETL/обучения. Ограничения: требуется CUDA-совместимый GPU; покрытие sklearn неполное, см. доку.

Применение для adtech/martech: ускоренные фичеринги и атрибуция, графовый анализ кликовых/аукционных связей, быстрый прототипинг Look-alike/UMAP-редукций и кластеризации на больших логах без смены библиотек.