Fallback-heavy segmentation
pandas CPU0.39s
cuDF GPU0.65s
GPU 1.7× slower
NVIDIA RAPIDS · honest benchmark
When is GPU actually faster?
2,000 萬筆遊戲事件實測：GPU 並非自動勝出。價值不在喊「快幾倍」，而在辨識 CPU fallback、資料搬移與可原生向量化的運算邊界。
● Public evidenceColab T420M rowsRFM · retention · funnel
Recorded run
同機 CPU vs T4 GPU
越短越快 · notebook 實測值
Small grouped output
pandas CPU0.42s
cuDF GPU0.69s
GPU 1.6× slower
Python set intersection
pandas CPU4.11s
cuDF GPU3.63s
≈ parity · 1.13×
Interactive rubric
GPU-fit analyzer
Decision output
LOW GPU FIT
先留在 CPU
25先留在 CPU
20M RFM 搭配 pandas fallback-heavy 寫法，實測 GPU 反而較慢。
qcut／rank／np.select可能離開原生 GPU 路徑。- 搬移與 kernel launch 成本無法被這段工作負載攤平。
- 先改寫為原生 groupby／merge，再於同機重測。
上方三組時間來自公開 notebook 的 Colab 同機 CPU/T4 run，可追溯、可重跑。
50M native sort/groupby/merge 尚未發布完整成對數字；分析器只給工程判斷，不虛構 speedup。