O Que Significa Paralelismo

Entendendo o que significa paralelismo na prática

Paralelismo é simplesmente a execução de múltiplas tarefas ao mesmo tempo usando recursos separados. Nada de mágica, só distribuição de trabalho. Quando você tem dois núcleos de CPU, dois processos rodando em paralelo usam cada um um núcleo. Resultado: o tempo total cai pela metade, ou perto disso, desde que as tarefas sejam independentes. O conceito básico é dividir um problema grande em partes menores e resolver cada uma simultaneamente. O truque é que isso só funciona quando as partes não dependem umas das outras. Se a tarefa B precisa do resultado da tarefa A, você não ganha nada rodando em paralelo — na verdade, perde tempo com a sobrecarga de coordenação. Tem duas coisas diferentes que as pessoas confundem: paralelismo e concorrência. Paralelismo é executar múltiplas coisas de fato ao mesmo tempo, em hardware separado. Concorrência é gerenciar múltiplas tarefas que podem ser entrelaçadas, mas não necessariamente executadas simultaneamente. Um servidor web com milhares de conexões usando async/await é concurrente, não paralelo no sentido estrito.

Na minha experiência, o erro mais comum é tentar parallelizar algo que tem dependência oculta. Eu perdi dois dias otimizando um pipeline de dados que parecia perfeito no papel. O problema era que uma das etapas lia um arquivo que outra etapa estava escrevendo. O resultado era intermitente — às vezes funcionava, às vezes corrompia os dados. A solução foi adicionar um semáforo sincronizando o acesso ao arquivo, o que eliminou o paralelismo real naquela parte mas tornou o processo confiável. O ganho teórico é linear com o número de núcleos. Dois núcleos dão duas vezes a velocidade. Mas na prática, a lei de Amdahl mostra que a parte serial do código limita tudo. Se 10% do seu programa não pode ser paralelizado, o máximo de speedup com infinitos núcleos é 10x. Na realidade, com 8 núcleos, você provavelmente vê algo entre 4x e 6x, dependendo do overhead. Outro ponto que ninguém fala muito: a memória. Quando múltiplos processos rodando em paralelo acessam os mesmos dados, o cache da CPU fica instável. Cada núcleo precisa buscar dados da memória principal porque o outro núcleo modificou o cache. Esse fenômeno se chama cache thrashing e pode anular completamente o ganho do paralelismo. Em benchmarks reais, eu vi programas que rodavam mais devagar em paralelo do que em serial por causa disso.

Para implementar paralelismo, você tem várias opções. Threads compartilham memória e são leves, mas difíceis de depurar. Processos são isolados e mais seguros, mas consomem mais recursos. Frameworks como multiprocessing do Python ou goroutines do Go abstraem parte dessa complexidade. Eu prefiro processos quando a tolerância a falhas importa — se um processo trava, os outros continuam rodando. Um caso específico que vale mencionar é o paralelismo em I/O. Ler arquivos do disco ou fazer requisições de rede são operações naturalmente paralelizáveis porque o tempo de espera é dominante. Nesse cenário, threads ou async/await funcionam muito bem porque o processador fica ocioso durante as esperas de qualquer forma. O ganho aqui é quase livre — apenas mude a forma de escrever o código e o desempenho melhora drasticamente. Por outro lado, operações puramente computacionais em núcleos únicos não se beneficiam tanto. Renderização 3D, simulações físicas, treinamento de modelos de machine learning — essas realmente precisam de hardware paralelo para andar. E mesmo assim, dividir o trabalho uniformemente não é trivial. Se um núcleo termina antes dos outros, ele fica ocioso esperando. Balanceamento de carga é um problema clássico que ainda não tem solução perfeita.

Se você está começando agora, comece pequeno. Pegue uma função que processa uma lista de itens e transforme em map parallel usando pool de processos. Meça o tempo antes e depois. Se o ganho for menor que 50% do esperado, investigue as dependências. Na maioria das vezes, alguma coisa que você achava independente na verdade não é. O paralelismo não é bala de prata. Existem cenários onde ele não ajuda — dados pequenos, lógica sequencial obrigatória, ou problemas onde a comunicação entre tarefas consome mais tempo do que o processamento em si. Antes de parallelizar, pergunte-se se o problema cabe num único núcleo. Se cabe e roda rápido, não mexa. Se não cabe, aí sim vale a pena investir. Uma alternativa ao paralelismo tradicional é o pipeline. Em vez de processar tudo em paralelo no mesmo estágio, você encadeia estágios onde cada um trabalha em dados diferentes simultaneamente. É como uma linha de montagem. O throughput melhora mesmo que a latência de cada item individual não mude muito. Use pipelines quando seus dados fluem naturalmente em estágios.

Em resumo, o que significa paralelismo é distribuir trabalho independentes em recursos separados para reduzir tempo total. Funciona bem quando o problema tem partes independentes e comunicação limitada. Falha quando há dependências ocultas ou overhead de coordenação alto. Teste, meça, ajuste. Não assuma que paralelismo resolve tudo.