Starburst enrichit sa plateforme de données avec Torin, un moteur d’exécution SQL s’appuyant sur les GPU NVIDIA et la bibliothèque cuDF. L’éditeur promet des gains de performance pouvant atteindre un facteur sept, sans modification des requêtes ni déplacement des données. Une évolution destinée notamment à répondre aux besoins des agents d’IA.
Après avoir concentré ses efforts sur l’optimisation des requêtes, la gouvernance des données et leur exploitation par les agents d’intelligence artificielle, Starburst s’attaque à la couche d’exécution de sa plateforme. L’éditeur américain annonce la disponibilité générale limitée de Starburst Torin, un moteur analytique natif GPU, développé en collaboration avec NVIDIA.
Basé sur Trino et intégré à Starburst Enterprise, Torin exploite la bibliothèque NVIDIA cuDF pour exécuter des opérations SQL directement sur les processeurs graphiques. L’objectif est d’accélérer les traitements analytiques sans modifier les applications existantes.
Starburst privilégie une approche complémentaire à son moteur CPU. Les entreprises pourront ainsi exécuter leurs charges de travail sur CPU ou GPU, sans réécrire leurs requêtes SQL Trino ni déplacer leurs données.
Des performances jusqu’à sept fois supérieures, selon Starburst
Pour justifier cette évolution, Starburst met en avant plusieurs tests de performance réalisés sur des infrastructures NVIDIA.
Sur le benchmark TPC-H, l’éditeur affirme avoir obtenu une accélération moyenne pouvant atteindre un facteur sept sur des GPU NVIDIA Blackwell. Certaines requêtes auraient même été exécutées jusqu’à 11,4 fois plus rapidement.
Sur ClickBench, une instance équipée d’un GPU NVIDIA L4 aurait atteint un débit 3,4 fois supérieur à celui d’une configuration CPU de référence, pour un coût matériel horaire comparable.
Ces résultats doivent toutefois être relativisés. Les mesures ont été effectuées par Starburst, dans un environnement de développement AWS, sur des configurations à nœud unique. Elles ne préjugent donc pas des gains observables sur des infrastructures distribuées en production.
La comparaison économique présentée pour ClickBench porte par ailleurs uniquement sur les coûts matériels, sans tenir compte des licences logicielles.
Ces chiffres illustrent néanmoins l’intérêt croissant pour l’accélération matérielle des traitements analytiques. Le recours aux GPU ne se limite plus à l’entraînement ou à l’inférence des modèles d’IA, mais s’étend aux opérations d’interrogation et d’analyse des données.
L’IA agentique comme moteur de l’accélération SQL
Pour Starburst, cette évolution répond notamment à la transformation des usages analytiques sous l’effet de l’IA agentique.
Là où une application traditionnelle exécute un nombre limité de requêtes, un agent d’IA peut multiplier les interrogations pour accomplir une même tâche. La latence cumulée de ces opérations risque alors de ralentir l’ensemble du processus.
« Les agents d’IA exécutent des dizaines, voire des centaines de requêtes pour accomplir une seule tâche. Des requêtes plus rapides permettent donc aux agents d’effectuer davantage de travail, aux équipes de traiter plus de charges de travail et aux entreprises d’obtenir des résultats plus rapidement », avance Justin Borgman, cofondateur et CEO de Starburst.
Dans une architecture agentique, les appels successifs aux systèmes de données peuvent effectivement peser sur le temps de réponse global. L’accélération SQL constitue donc un levier d’optimisation.
Elle ne résout cependant pas les autres difficultés liées à ces architectures, notamment la qualité des données, la pertinence des requêtes générées ou la fiabilité des réponses produites.
L’intérêt économique du GPU dépendra également de la nature des traitements, du volume des données et du taux d’utilisation des ressources.
Une collaboration technique étendue avec NVIDIA
Le développement de Torin repose sur une collaboration entre les équipes de Starburst et celles de NVIDIA.
Starburst a conçu les opérateurs SQL de son nouveau moteur sur cuDF, une bibliothèque permettant d’exécuter des traitements sur des données tabulaires à l’aide des GPU. NVIDIA a accompagné les travaux d’optimisation, notamment pour son architecture Blackwell.
Cette collaboration ne se limite pas aux processeurs graphiques. Starburst indique également que son moteur CPU prend en charge NVIDIA Vera, présenté lors de la conférence GTC de mars.
Selon des tests internes réalisés sur TPC-H à l’échelle SF1000, NVIDIA Vera aurait exécuté les requêtes 1,48 fois plus rapidement qu’une configuration Intel Xeon 6, tout en consommant environ 33 % de secondes CPU en moins par requête.
Ces résultats proviennent toutefois de tests menés sur des configurations spécifiques, avec une seule requête exécutée à la fois.
Au-delà des performances, cette double prise en charge des CPU et GPU NVIDIA permet à Starburst de se positionner sur des infrastructures de calcul accéléré déjà déployées pour les projets d’IA. Pour les entreprises, la promesse consiste à réutiliser ces ressources pour l’analytique SQL, sans remettre en cause leurs applications existantes.
Starburst poursuit ses travaux sur le contexte des agents d’IA
L’annonce de Torin intervient alors que Starburst cherche également à renforcer le rôle de sa plateforme dans l’alimentation des agents d’IA en données contextualisées et gouvernées.
Car si l’accélération des requêtes améliore leur réactivité, elle ne garantit pas la pertinence des informations exploitées.
Dans cette optique, Starburst poursuit sa collaboration avec NVIDIA autour de sa solution AIDA. L’éditeur travaille à l’intégration des modèles ouverts NVIDIA Nemotron Retriever et NVIDIA Kumo, issus de l’écosystème NVIDIA Agent Knowledge Foundation.
Le premier doit contribuer à la récupération d’informations contextuelles pertinentes, tandis que le second vise à exploiter les relations présentes dans les données structurées pour enrichir les capacités d’analyse et de prédiction.
Starburst cible notamment les établissements financiers, où l’utilisation de l’IA implique des exigences élevées en matière de traçabilité, de fiabilité et de gouvernance des données.
Parmi les cas d’usage évoqués figurent la détection des fraudes, la surveillance du risque de crédit et les procédures de connaissance client (KYC).
Il s’agit toutefois de travaux d’intégration annoncés par l’éditeur, et non de résultats opérationnels déjà démontrés chez des clients.
Avec Torin, Starburst ajoute une dimension d’accélération matérielle à sa stratégie autour des données distribuées et de l’IA agentique. Reste à déterminer dans quelle mesure les gains observés sur les benchmarks pourront être reproduits en production, et pour quelles charges de travail les GPU présenteront un avantage économique face aux architectures CPU traditionnelles.
