En entornos de producción de Kubernetes, las diferencias entre los requisitos de los modelos y el tamaño de las GPU generan ineficiencias. Los modelos ligeros 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 modelos, lo que a menudo deja recursos computacionales costosos subutilizados.
Resolver esta situación no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes utilizando el mismo hardware de primer nivel. Esta guía detalla cómo implementar y evaluar estrategias de particionado de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el time-slicing, para aprovechar al máximo los recursos computacionales.
Utilizando una tubería de IA de voz de calidad de producción como nuestro laboratorio de pruebas, mostramos 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 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 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 una tubería 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 computación de GPU suele estar entre el 0-10%.
- Expansión del clúster: Se necesitan más nodos para ejecutar la misma cantidad de pods.
- Fricción en la escalabilidad: Agregar una nueva capacidad requiere una nueva GPU física.
Para solucionar esto, debemos romper la relación 1:1 entre pods y GPUs.
Arquitectura: Estrategias de particionado
Evaluamos dos estrategias principales para el particionado de GPU soportadas por el Operador de GPU de NVIDIA.
Particionado 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 se ejecuta el contexto B.
- Mecanismo: Programación a nivel de software a través del controlador CUDA.
- Pros: Maximiza la utilización. Permite “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos computacionales de la GPU.
- Contras: Sin 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 de “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 simultáneamente mediante 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 aisladas, 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 puede llevar a un reinicio de la GPU que afecte a otros procesos que comparten la tarjeta.
MIG: El enfoque de hardware para el particionado
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.
- Pros: Estricto control de calidad del servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
- Contras: Tamaños rígidos. Si una partición está inactiva, sus recursos computacionales 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. El particionado 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 situaciones críticas.
Configuración experimental: La tubería de IA de voz
Para validar estas estrategias en un escenario realista de producción, utilizamos una tubería de IA de voz multimodal. Esta carga de trabajo es ideal para la evaluación porque mezcla tres patrones de tráfico distintos:
Antes de optimizar, es crucial entender nuestro perfil de latencia. En nuestra tubería 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 historias de conversación crecientes 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 la eficiencia 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, al tiempo que libera recursos computacionales 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 desplegados utilizando NVIDIA NIM, y gestionados por el Operador NIM de NVIDIA. El nodo trabajador 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: 1por 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 en ráfagas.
- Recurso:
nvidia.com/gpu: 1(Compartido a través dereplicas: 2).
- Experimento 3: Particionado 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 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 kubectl exactos 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 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 entre patrones de tráfico. Los datos muestran cómo el particionado afecta las solicitudes de procesos a medida que aumenta la concurrencia, a través de la línea base (GPUs dedicadas), time-slicing (compartición de software) y MIG (particionado 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 particionado 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 da como resultado un pipeline optimizado, permitiendo que el clúster soporte más flujos de IA simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica en el rendimiento entre las dos estrategias de particionado:
- MIG (hardware): Mayor 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 casi la capacidad total del sistema mientras liberan efectivamente una GPU entera para otras cargas de trabajo LLM pesadas.
- 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 y ráfagas por parte del controlador CUDA introduce una sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por el particionado 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 varios segundos, la estabilidad del rendimiento de MIG es una métrica de producción más valiosa.
Recomendaciones para el particionado
Basado en los datos de referencia, recomendamos la siguiente matriz de decisiones:
- Default a MIG para escala y estabilidad en producción
- El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo un ligero compromiso en latencia.
- El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso bloquee a otro.
- Es mejor para entornos de producción donde el rendimiento y el 100% de fiabilidad son prioridades.
- Usar 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
- Experimenta más: Prueba el repositorio.
- Implementa particionado: Sigue nuestra Guía de Implementación para configurar perfiles MIG y utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
- Escala con NIM: Despliega tuberías NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.
