Optimización de recursos GPU en Kubernetes para mejorar el rendimiento de IA

En entornos de producción de Kubernetes, la diferencia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. Por ejemplo, modelos de reconocimiento automático de voz (ASR) o de texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU completa en implementaciones estándar de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre diferentes modelos, lo que resulta en recursos de computación costosos que a menudo permanecen subutilizados.

Resolver esta problemática no solo implica reducir costos; se trata de optimizar la densidad del clúster para atender a más usuarios concurrentes utilizando el mismo hardware de clase mundial. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y time-slicing, para aprovechar al máximo los recursos de computación.

Utilizando un pipeline de voz AI de calidad de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de inversión (ROI) de la infraestructura mientras se mantiene 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 muestra las GPU 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 un pipeline de IA generativa, como modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:

• Baja utilización: La utilización de la computación de GPU suele estar entre el 0-10%.
• Expansión del clúster: Se necesita provisionar más nodos para ejecutar el mismo número de pods.
• Fricción en la escalabilidad: Añadir una nueva capacidad requiere una nueva GPU física.

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

Arquitectura: Estrategias de particionamiento

Evaluamos dos estrategias principales para el particionamiento de GPU soportadas por el Operador de GPU de NVIDIA.

Particionamiento basado en software: Time-slicing y MPS

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

• 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: Sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y una carga computacional intensa en un pod puede limitar a sus 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 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.

MIG: El enfoque de 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 ser dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Ventajas: Estricto control de 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 en 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 una falla en cascada a través de la GPU compartida, un requisito crítico para una IA de voz de misión crítica.

Configuración experimental: El pipeline de voz AI

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

Antes de optimizar, es crítico 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. Esta demora puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o historias de conversación crecientes 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 detrás del cual deben enmascararse los modelos de soporte.

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 se libera capacidad de 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 empleó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM y gestionados por el Operador de 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 contra el cual medir la optimización.
  • Recurso: nvidia.com/gpu: 1 por 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 de replicas: 2).
• Experimento 3: Particionamiento 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: 1 por 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 timeSlicing para anunciar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un ConfigMap de mig-configs personalizado para particionar la GPU en dos instancias de 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, 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 AI generativa en solicitudes por segundo por GPU a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso 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 solicitudes por segundo 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 particionamiento de GPU impactan la eficiencia y la capacidad de respuesta del sistema en general.

Rendimiento en comparación con la latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, permitiendo que el clúster soporte más flujos de AI simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica en el rendimiento entre las dos estrategias de particionamiento:

1. MIG (hardware): Mayor eficiencia

El Experimento 3 logró 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 alcanzar casi la capacidad 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 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 de ráfagas introduce 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 ráfaga

El time-slicing maneja tareas individuales en ráfaga 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 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 el particionamiento

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

1. Priorizar MIG para escalas de producción y estabilidad
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (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 colapse a otro.
   • Mejor 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 un pipeline completo 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 utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: Despliega pipelines de NVIDIA NIM para utilizar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.