En entornos de producción de Kubernetes, la diferencia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. Modelos ligeros de reconocimiento automático de voz (ASR) o texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU completa en implementaciones estándar. Esto se debe a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente recursos entre modelos, lo que provoca que recursos computacionales costosos permanezcan infrautilizados.
Resolver esto no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes en el mismo hardware de clase mundial. Esta guía detalla cómo implementar y evaluar estrategias de partición de GPU, específicamente la partición de múltiples instancias de GPU (MIG) de NVIDIA y el time-slicing para aprovechar completamente los recursos computacionales.
Utilizando una pipeline de IA de voz de grado de producción como nuestro campo de pruebas, mostramos cómo combinar modelos para maximizar el retorno de inversión en infraestructura, manteniendo más del 99% de fiabilidad y estrictas garantías de latencia.
Abordando la fragmentación de recursos de GPU
Por defecto, el Plugin de Dispositivos NVIDIA para Kubernetes muestra las GPUs como recursos enteros. Un pod solicita nvidia.com/gpu: 1, y el programador lo asigna a un dispositivo físico.
Modelos de lenguaje grande (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 una pipeline de IA generativa, como los modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:
- Baja utilización: la utilización de GPU a menudo ronda entre el 0-10%.
- Expansión del clúster: es necesario aprovisionar más nodos para ejecutar la misma cantidad de pods.
- Fricción en la escalabilidad: agregar una nueva capacidad requiere una nueva GPU física.
Para resolver esto, debemos romper la relación 1:1 entre pods y GPUs.
Arquitectura: Estrategias de partición
Evaluamos dos estrategias principales para la partición de GPU soportadas por el Operador de GPU de NVIDIA.
Partición basada 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.
- Pros: maximiza la utilización. Permite el “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos computacionales de la GPU.
- Contras: 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 (MPS) de NVIDIA 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 resiliente 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 ilegal a la memoria 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, caché y multiprocesadores de transmisión (SMs). Para el sistema operativo y Kubernetes, estas parecen dispositivos PCI separados.
- Mecanismo: aislamiento a nivel de hardware.
- Pros: estricta calidad de servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
- Contras: dimensionamiento rígido. Si una partición está inactiva, sus recursos computacionales 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 SLAs de la empresa. La partición de hardware asegura que un error de memoria en un modelo no pueda causar un fallo en cascada en la GPU compartida, un requisito crítico para la IA de voz en situaciones críticas.
Configuración experimental: La pipeline de IA de voz
Para validar estas estrategias en un escenario realista de producción, utilizamos una pipeline de IA de voz a voz multimodal. Esta carga de trabajo es ideal para benchmarking porque mezcla tres patrones de tráfico distintos:
Antes de optimizar, es crítico entender nuestro perfil de latencia. En nuestra 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, escenarios de alta entrada (como entrenar usuarios) o el crecimiento de historiales de conversación aumentan la sobrecarga de procesamiento en comparación con indicaciones cortas. A medida que se acumula la historia, 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 el rendimiento de la infraestructura y el ROI 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 computación para instancias adicionales de LLM.
Experimento
Diseñamos tres configuraciones distintas para las pruebas. 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 implementados utilizando NVIDIA NIM, y gestionados por el Operador de NVIDIA NIM. El nodo de trabajo tenía acceso a tres NVIDIA A100 Tensor Core GPUs.
- 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: 1por pod.
- Experimento 2: Time-slicing con dos GPUs
- Configuración: LLM mantiene 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 en ráfagas.
- Recurso:
nvidia.com/gpu: 1(compartido a través dereplicas: 2).
- Experimento 3: Partición MIG con dos GPUs
- Configuración: LLM mantiene una GPU dedicada. La GPU 0 está particionada 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: 1por pod.
Nota de configuración: para lograr estas topologías, utilizamos configuraciones específicas dentro del Operador de GPU de NVIDIA.
- Para el Experimento 2, utilizamos la configuración
timeSlicingpara anunciar múltiples réplicas por GPU física. - Para el Experimento 3, aplicamos un
mig-configsConfigMap personalizado para particionar la GPU en dos instancias de3g.40gb.
(Para los comandos exactos de kubectl y manifiestos YAML utilizados para reproducir esta configuración, consulte el Apéndice de Implementación al final de esta publicación.)
Resultados
Para evaluar la fragmentación de recursos, probamos el sistema con dos patrones de tráfico distintos:
- Carga ligera: 5 usuarios concurrentes simulando aproximadamente 135 segundos de interacción sostenida.
- Carga pesada: 50 usuarios concurrentes simulando aproximadamente 375 segundos de interacción sostenida.
La Figura 5 compara el rendimiento de inferencia de IA generativa en solicitudes por segundo por GPU a través de patrones de tráfico. Los datos muestran cómo la partición afecta las solicitudes del proceso a medida que aumenta la concurrencia, a través de la línea base (GPUs dedicadas), el time-slicing (compartición de software) y MIG (partición 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 del LLM en la pipeline.
Métricas de latencia media
El siguiente análisis evalúa cómo las distintas estrategias de partición de GPU impactan la eficiencia y la capacidad de respuesta del sistema en general.
Rendimiento comparado con latencia
Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en una pipeline 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 partición:
- MIG (hardware): Mayor eficiencia
El Experimento 3 alcanzó la mayor productividad por unidad, llegando a 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 casi la capacidad total del sistema, mientras liberan efectivamente toda una GPU para otras cargas de trabajo pesadas de LLM.
- Time-slicing (software): Mayor densidad con sobrecarga
El Experimento 2 demostró 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 en streaming y en ráfagas introduce una sobrecarga de programación. Aunque es funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregada proporcionada por la partición de hardware.
Latencia y el factor de ráfagas
El time-slicing maneja tareas individuales en ráfagas ligeramente más rápidas, 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 pipeline 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 un delta de 20 ms dentro de una respuesta de múltiples segundos, la estabilidad del rendimiento de MIG es una métrica de producción más valiosa.
Recomendaciones para la partición
Basado en los datos de benchmark, recomendamos la siguiente matriz de decisiones:
- Predeterminar a MIG para escalabilidad de producción y estabilidad
- El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una pequeña compensación en latencia.
- El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse el otro.
- Mejor para entornos de producción donde el rendimiento y la fiabilidad del 100% son prioridades.
- Utilizar el 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 pipeline completa en una huella de hardware mínima.
Comienza
- Experimenta más: Prueba el repositorio.
- Implementa la 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.
- Escala con NIM: Despliega pipelines de NVIDIA NIM para utilizar completamente tus cargas de trabajo de ASR, TTS y LLM para un máximo ROI.
