Optimización de la infraestructura de IA al consolidar cargas de trabajo de GPU subutilizadas

La optimización del rendimiento de la infraestructura de inteligencia artificial mediante la consolidación de cargas de trabajo de GPU infrautilizadas es crucial en los entornos de Kubernetes. Los modelos ligeros de reconocimiento automático de voz (ASR) o conversión de texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero pueden ocupar una GPU completa en implementaciones estándar. Esto provoca que los recursos de cálculo, a menudo costosos, permanezcan subutilizados debido a que el programador asigna un modelo a una o más GPUs sin poder compartir fácilmente entre ellas.

Resolver esta ineficiencia no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes en hardware de primer nivel. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y la técnica de time-slicing, para aprovechar al máximo los recursos computacionales.

Utilizando un pipeline de voz AI de grado de producción como campo de prueba, se demuestra cómo combinar modelos para maximizar el retorno de inversión de la infraestructura, manteniendo una fiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de GPU

Por defecto, el Plugin de Dispositivos NVIDIA para Kubernetes presenta las GPUs como recursos enteros. Un pod solicita nvidia.com/gpu: 1, y el programador lo vincula a un dispositivo físico.

Los modelos de lenguaje grandes (LLMs) como NVIDIA Nemotron, Llama 3 o Qwen 7B/8B requieren computación dedicada para mantener un bajo tiempo hasta el primer token (TTFT) y un alto rendimiento por lote. Sin embargo, los modelos de soporte en un pipeline de IA generativa, como los modelos de incrustación, ASR, TTS o sistemas de seguridad, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: la utilización computacional de la GPU a menudo ronda entre el 0-10%.
• Inflación del clúster: se necesitan más nodos para ejecutar el mismo número de pods.
• Fricción en la escalabilidad: agregar una nueva capacidad requiere una nueva GPU física.

Para solucionar este problema, es necesario romper la relación 1:1 entre pods y GPUs.

Arquitectura: Estrategias de particionamiento

Se evaluaron dos estrategias principales para el particionamiento de GPUs, soportadas por el Operador de GPU de NVIDIA.

Particionamiento basado en software: time-slicing y MPS

El time-slicing permite que múltiples procesos NVIDIA CUDA compartan una GPU intercalando la ejecución. Funciona de manera similar a un programador de CPU: el contexto A se ejecuta, se pausa y luego se ejecuta el contexto B.

• Mecanismo: programación a nivel de software a través del controlador CUDA.
• Ventajas: maximiza la utilización. Permite el “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos de computación de la GPU.
• Desventajas: sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y un cálculo pesado en un pod puede limitar a los vecinos (el efecto del “vecino ruidoso”).

Además del time-slicing, el Servicio de Múltiples Procesos de NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU de manera concurrente utilizando una arquitectura de servidor-cliente. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas, como fugas de memoria, en comparación con el time-slicing estándar.

No obstante, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Aunque el MPS moderno proporciona espacios de direcciones virtuales aislados, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error de ejecución fatal o un acceso a memoria ilegal en un proceso se propagará a través del contexto compartido, potencialmente llevando a un reinicio de la GPU que afecte a otros procesos que comparten la tarjeta.

MIG: El enfoque hardware para el particionamiento

MIG particiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de streaming (SMs). Para el sistema operativo y Kubernetes, estas parecen dispositivos PCI separados.

• Mecanismo: aislamiento a nivel de hardware.
• Ventajas: estricta calidad de servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Desventajas: tamaño rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “prestados” por un vecino.

Mientras que el time-slicing ofrece flexibilidad, MIG es preferido para entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los SLA empresariales. El particionamiento de hardware asegura que un error de memoria en un modelo no pueda causar un fallo en cascada a través de la GPU compartida, un requisito crítico para la inteligencia artificial de voz en misiones.

Configuración experimental: El pipeline de voz AI

Para validar estas estrategias en un escenario realista de producción, se utilizó un pipeline de voz a voz multimodal. Esta carga de trabajo es ideal para la evaluación porque mezcla tres patrones de tráfico distintos:

Antes de optimizar, es fundamental entender nuestro perfil de latencia. En nuestro pipeline de voz a voz, el LLM es el principal cuello de botella. Bajo cargas pesadas, el LLM representa aproximadamente 9 segundos del tiempo total de procesamiento. Este retraso puede fluctuar significativamente según la longitud del contexto; por ejemplo, situaciones de alta entrada (como entrenar usuarios) o historias de conversación en expansión aumentan la sobrecarga de procesamiento en comparación con indicaciones cortas. A medida que la historia se acumula, el LLM debe procesar más tokens antes de generar una respuesta, extendiendo el cuello de botella que los modelos de soporte deben enmascarar.

Consolidar modelos de soporte como ASR y TTS proporciona un camino estratégico para maximizar la utilización del hardware mientras se mantiene la capacidad de respuesta de extremo a extremo. Aunque la consolidación puede introducir un ligero ajuste de latencia de 100-200 ms, las ganancias en rendimiento de infraestructura y retorno de inversión son significativas.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variación, mientras libera recursos de computación para instancias adicionales de LLM.

Experimento

Se diseñaron tres configuraciones distintas para las pruebas. En cada ronda, se utilizaron tres muestras de voz, esperando que la primera respuesta de LLM+TTS se completara. La configuración utilizó un clúster de Kubernetes, modelos desplegados usando NVIDIA NIM, y gestionados por el Operador de NVIDIA NIM. El nodo de trabajo tuvo acceso a tres GPUs NVIDIA A100 Tensor Core.

• Experimento 1: Línea base con tres GPUs
  • Configuración: Una GPU dedicada para cada modelo (LLM, ASR, TTS).
  • Objetivo: Establecer el “estándar de oro” para latencia y rendimiento contra el cual medir la optimización.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Time-slicing con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando time-slicing a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención de “vecinos ruidosos” entre ASR en streaming y TTS intermitente.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Partitioning MIG con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. La GPU 0 está físicamente particionada en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento a nivel de hardware proporciona mejor estabilidad que la programación de software.
  • Recurso: nvidia.com/mig-3g.40gb: 1 por pod.

Nota de configuración: Para lograr estas topologías, se utilizaron configuraciones específicas dentro del Operador de GPU de NVIDIA.

• Para el Experimento 2, se utilizó la configuración timeSlicing para publicitar múltiples réplicas por GPU física.
• Para el Experimento 3, se aplicó un ConfigMap mig-configs personalizado para particionar la GPU en dos instancias 3g.40gb.

(Para los comandos exactos de kubectl y los manifiestos YAML utilizados para reproducir esta configuración, consulte el Apéndice de Implementación al final de esta publicación).

Resultados

Para evaluar la fragmentación de recursos, se probó el sistema con dos patrones de tráfico distintos:

• Carga ligera: 5 usuarios concurrentes simulando ~135 segundos de interacción sostenida.
• Carga pesada: 50 usuarios concurrentes simulando ~375 segundos de interacción sostenida.

La Figura 5 compara el rendimiento de inferencia de IA generativa a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta el número de solicitudes procesadas a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), el time-slicing (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallos. La tasa actual de req/s es la razón del cuello de botella en el LLM en la tubería.

Métricas de latencia media

El siguiente análisis evalúa cómo diferentes estrategias de particionamiento de GPU impactan la eficiencia general del sistema y la capacidad de respuesta.

Rendimiento en comparación con la latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en una tubería optimizada, permitiendo al clúster soportar más flujos de IA simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica en el rendimiento entre las dos estrategias de particionamiento:

1. MIG (hardware): Eficiencia más alta

El Experimento 3 alcanzó la mayor productividad por unidad, alcanzando aproximadamente 1.00 req/s por GPU. Al proporcionar rutas de hardware dedicadas para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden lograr casi la capacidad total del sistema mientras liberan eficazmente una GPU completa para otras cargas de trabajo pesadas de LLM.

1. Time-slicing (software): Mayor densidad con sobrecarga

El Experimento 2 mostró que la compartición a nivel de software también puede mejorar la densidad por GPU en comparación con la línea base, logrando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos en streaming e intermitentes introduce una sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregada proporcionada por el particionamiento de hardware.

Latencia y el factor de intermitencia

El time-slicing maneja tareas individuales intermitentes ligeramente más rápido, con una latencia media de TTS de 144.7 ms en comparación con los 168.2 ms de MIG. Sin embargo, esta diferencia de 23.5 ms representa una pequeña fracción del tiempo total de respuesta de la tubería en la escala actual. Bajo carga pesada, el LLM representa la mayor parte del tiempo total de interacción. Dado que el usuario final no puede percibir una diferencia de 20 ms dentro de una respuesta de varios segundos, la estabilidad de rendimiento de MIG es una métrica de producción más valiosa.

Recomendaciones para el particionamiento

Basado en los datos de referencia, recomendamos la siguiente matriz de decisiones:

1. Optar por MIG para escalabilidad y estabilidad en producción
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una leve compensación en latencia.
   • El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso colapse el otro.
   • Ideal para entornos de producción donde el rendimiento y la fiabilidad del 100% son prioridades.
2. Utilizar time-slicing para desarrollo o aplicaciones de baja concurrencia
   • Esto implica una reducción del 32% en el rendimiento total y dependencias de recursos compartidos.
   • Mejor para desarrollo, CI/CD y pruebas de concepto para ejecutar una tubería completa en una huella de hardware mínima.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa particionamiento: Sigue nuestra Guía de Implementación para configurar perfiles MIG y usar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: Despliega NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un retorno de inversión máximo.