Optimiza el rendimiento de la infraestructura de IA consolidando cargas de trabajo GPU subutilizadas

La optimización del rendimiento de la infraestructura de inteligencia artificial es crucial en entornos de producción de Kubernetes. En este contexto, los modelos de reconocimiento automático de voz (ASR) y de texto a voz (TTS) demandan solo 10 GB de VRAM, pero pueden utilizar una GPU completa en implementaciones estándar. Esto genera ineficiencias debido a que el programador asigna un modelo a una o más GPUs sin poder compartir recursos fácilmente.

Resolver este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes utilizando hardware de alta calidad. Esta guía ofrece estrategias para implementar y evaluar la partición de GPUs, centrándose en NVIDIA Multi-Instance GPU (MIG) y el time-slicing, para maximizar el uso de los recursos de computación.

Usando un pipeline de voz AI de producción como prueba, demostramos cómo combinar modelos para maximizar el retorno de inversión de la infraestructura, manteniendo más del 99% de fiabilidad y estrictas garantías de latencia.

Abordando la fragmentación de recursos GPU

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

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 lotes. Sin embargo, los modelos de soporte en un pipeline de IA generativa, como modelos de incrustación, ASR, TTS o guardrails, frecuentemente utilizan solo una fracción de una tarjeta. La ejecución de estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: La utilización de computación GPU a menudo se mantiene entre el 0-10%.
• Inflación del clúster: Se requieren más nodos para ejecutar el mismo número de pods.
• Fricción en la escalabilidad: Agregar una nueva capacidad requiere una nueva GPU física.

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

Arquitectura: Estrategias de partición

Evaluamos dos estrategias principales para la partición de GPUs, soportadas por el NVIDIA GPU Operator.

Partición basada en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos NVIDIA CUDA compartan una GPU mediante la intercalación de 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 utilizar el 100% de los núcleos de computación de la GPU.
• Desventajas: No hay aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y una carga computacional pesada 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 GPU de manera concurrente utilizando una arquitectura cliente-servidor. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas como fugas de memoria en comparación con el time-slicing estándar.

Sin embargo, 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, lo que podría llevar a un reinicio de la GPU que afecte a otros procesos que comparten la tarjeta.

MIG: El enfoque de hardware para la partición

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

• Mecanismo: Aislamiento a nivel de hardware.
• Ventajas: Calidad de servicio (QoS) estricta. Una carga de trabajo no puede afectar el rendimiento o la estabilidad de la memoria de otra.
• Desventajas: Tamaño rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “tomados” 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. La partición de hardware asegura que un error de memoria en un modelo no pueda causar una falla en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en aplicaciones esenciales.

Configuración experimental: El pipeline de voz AI

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

Antes de optimizar, es fundamental comprender 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 considerablemente basado en la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o historias de conversación en crecimiento aumentan la sobrecarga de procesamiento en comparación con indicaciones cortas. A medida que se acumula el historial, 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 la 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 variabilidad mientras libera recursos computacionales para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para la prueba. En cada ronda, utilizamos tres muestras de voz, esperando que la primera respuesta de LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM, y gestionados por el Operador NVIDIA NIM. El nodo de trabajo tenía 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 con el que 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 del “vecino ruidoso” entre ASR en streaming y TTS intermitente.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. La GPU 0 se particiona físicamente en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento 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, utilizamos configuraciones específicas dentro del NVIDIA GPU Operator.

• Para el Experimento 2, usamos la configuración timeSlicing para anunciar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un ConfigMap mig-configs personalizado para particionar la GPU en dos instancias de 3g.40gb.

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

Resultados

Para evaluar la fragmentación de recursos, probamos 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 en términos de solicitudes por segundo por GPU a través de patrones de tráfico ligeros y pesados. Los datos muestran cómo la partición afecta las solicitudes de proceso a medida que aumenta la concurrencia, a través de la línea base (GPUs dedicadas), el time-slicing (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tuvieron 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 el pipeline.

Métricas de latencia media

El siguiente análisis evalúa cómo las diferentes estrategias de partición de GPUs impactan la eficiencia y capacidad de respuesta general del sistema.

Rendimiento comparado con latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, 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 partición:

1. MIG (hardware): Máxima eficiencia

El Experimento 3 logró la mayor productividad por unidad, alcanzando aproximadamente 1.00 req/s por GPU. Al proporcionar caminos de hardware dedicados para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden alcanzar una capacidad casi total del sistema mientras liberan efectivamente 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, alcanzando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos de streaming e intermitentes introduce sobrecarga de programación. Aunque es funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por la partición de hardware.

Latencia y el factor intermitente

El time-slicing maneja tareas intermitentes individuales 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 del pipeline actual. Bajo carga pesada, el LLM representa la mayor parte del tiempo total de interacción. Dado que el usuario final no puede percibir un delta de 20 ms dentro de una respuesta de varios segundos, la estabilidad del rendimiento de MIG es una métrica de producción más valiosa.

Recomendaciones para partición

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

1. Default a MIG para estabilidad y escala de producción
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo un pequeño compromiso en latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso bloquee a otro.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad al 100% son las prioridades.
2. Usar time-slicing para desarrollo o aplicaciones de baja concurrencia
   • Esto implica una reducción del 32% en el rendimiento total y dependencia de recursos compartidos.
   • Mejor para desarrollo, CI/CD y PoCs para ejecutar un pipeline completo en una huella de hardware mínima.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa partición: 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 pipelines NVIDIA NIM para utilizar al máximo tus cargas de trabajo de ASR, TTS y LLM para un retorno de inversión óptimo.