資料探索是資料科學的關鍵要素之一。要為機器學習準備資料集，就要瞭解資料集、清理和操控資料類型與格式，並為學習演算法擷取特徵。這類工作都被歸類在 ETL 的範圍之下。ETL 通常是一個迭代的探索性過程。隨著資料集的增加，此過程在 CPU 上運作的互動力便會下降。
過去幾年來，GPU 一直是深度學習 (DL) 發展的原動力，而 ETL 及傳統機器學習工作負載則繼續以 Python 編寫，且通常搭配 Scikit-Learn 等單一執行緒工具或 Spark 等大型多 CPU 分散式解決方案。
RAPIDS 是一套開放原始碼軟體函式庫與 API，專為完全於 GPU 上執行的端對端資料科學與分析流程而設計，且可在典型端對端資料科學工作流程中實現 50 倍以上的加速比。RAPIDS 加速了包括資料載入在內的整個資料科學流程，實現更具生產力、互動性與探索性的工作流程。
RAPIDS 以 GPU 運算架構與軟體平台 NVIDIA® CUDA® 為基礎，透過易於使用的 API，展現 GPU 平行運算技術與高頻寬記憶體速度。RAPIDS 著重分析與資料科學的常見資料準備工作，透過熟悉的 DataFrame API 提供強大的 GPU DataFrame，並與 ApacheArrow 資料結構相容。
Apache Arrow 制定了標準化、跨語言並針對資料區域最佳化的欄式記憶體格式，加快現代 CPU 或 GPU 的分析處理效能，同時在無需序列化額外負荷的情況下，提供零複製串流訊息與程序間的通訊。
DataFrame API 能在不產生典型序列化與還原序列化成本的情況下，與各種機器學習演算法整合，進而實現端對端流程加速。
藉由隱藏低階 CUDA 程式設計的複雜性，RAPIDS 打造出執行資料科學工作的簡易之道。由於有更多資料科學家使用 Python 和其他高階語言，因此對於快速改善開發時間來說，少量甚至無需修改程式碼即可加速這一點非常重要。