Optimiza el rendimiento de GPUs en Kubernetes consolidando cargas de trabajo ineficientes

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 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 provoca que los recursos computacionales costosos permanezcan subutilizados.

Resolver este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes en el mismo hardware de primera clase. Esta guía detalla cómo implementar y evaluar estrategias de particionado de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el time-slicing para utilizar completamente los recursos computacionales.

Utilizando un pipeline de voz AI de grado de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de inversión en infraestructura mientras mantenemos una fiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de GPU

Por defecto, el NVIDIA Device Plugin para Kubernetes muestra las GPU 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 lote. Sin embargo, los modelos de soporte en un pipeline de AI generativa, como modelos de incrustación, ASR, TTS o guardrails, utilizan a menudo solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:

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

Para resolver esto, debemos romper la relación 1:1 entre pods y GPU.

Arquitectura: estrategias de particionado

Evaluamos dos estrategias principales para el particionado de GPU soportadas por el NVIDIA GPU Operator.

Particionado basado en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos de NVIDIA CUDA compartan una GPU al intercalar su 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 “bursting”: si el Pod A está inactivo, el Pod B puede utilizar el 100% de los núcleos de cálculo 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 de cálculo pesada en un pod puede limitar a los vecinos (el efecto del “vecino ruidoso”).

Además del time-slicing, el NVIDIA Multi-Process Service (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU simultáneamente mediante 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, lo que limita el aislamiento. Si bien el MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error fatal de ejecución o un acceso ilegal a la memoria en un proceso se propagará a través del contexto compartido, potencialmente provocando un reinicio de la GPU que afectará 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, caché y multiprocesadores de streaming (SMs). Para el sistema operativo y Kubernetes, estas instancias se ven como dispositivos PCI separados.

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

Mientras que el time-slicing ofrece flexibilidad, MIG se prefiere en entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los SLA empresariales. El particionado por 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 Voice AI de misión crítica.

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 la evaluación porque mezcla tres patrones de tráfico distintos:

Antes de optimizar, es crucial 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 variar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o conversaciones en crecimiento aumentan la sobrecarga de procesamiento en comparación con mensajes cortos. 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. Si bien 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 fluctuación mientras 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 del LLM+TTS se completara. La configuración utilizó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM, y gestionados por el NVIDIA NIM Operator. 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 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 variable.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Particionado MIG con dos GPUs
  • Configuración: LLM retiene 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 NVIDIA GPU Operator.

• Para el Experimento 2, utilizamos la configuración timeSlicing para anunciar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un mig-configs ConfigMap 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 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 a través de los patrones de tráfico. Los datos muestran cómo el particionado afecta las solicitudes de proceso a medida que aumenta la concurrencia, en comparación con la línea base (GPU dedicadas), el 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 requ/s es la razón del cuello de botella en el LLM en la pipeline.

Métricas de latencia media

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

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 puntos de referencia revelan una divergencia crítica en el rendimiento entre las dos estrategias de particionado:

1. 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 plena capacidad 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 del controlador CUDA de los rápidos cambios de contexto entre modelos en streaming y variables introduce una sobrecarga de programación. Si bien es funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado que proporciona el particionado por hardware.

Latencia y el factor variable

El time-slicing maneja tareas individuales variables 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 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 de rendimiento de MIG es una métrica de producción más valiosa.

Recomendaciones para el particionado

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

1. Default a MIG para escala de producción y estabilidad
   • 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 previene que un desbordamiento de memoria en un proceso choque al otro.
   • Es el mejor enfoque 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.
   • Es ideal para desarrollo, CI/CD, y PoCs para ejecutar una pipeline completa con una huella de hardware mínima.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa particionado: 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 completamente tus cargas de trabajo de ASR, TTS y LLM para maximizar el ROI.