Optimiza el rendimiento de infraestructura AI consolidando cargas de trabajo de GPU no utilizadas

En entornos de producción de Kubernetes, la discrepancia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. Por ejemplo, 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. Debido a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente entre diferentes modelos, los recursos computacionales costosos a menudo permanecen subutilizados.

Abordar esta situación no solo implica reducción de costos; es esencial optimizar la densidad del clúster para atender a más usuarios concurrentes en el mismo hardware de alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionado de GPU, específicamente la NVIDIA Multi-Instance GPU (MIG) y la fragmentación temporal para utilizar plenamente 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, manteniendo 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 GPUs como recursos enteros. Un pod solicita nvidia.com/gpu: 1, y el programador lo asigna a un dispositivo físico.

Modelos de lenguaje grandes 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 los modelos de incrustación, ASR, TTS o controles, a menudo utilizan solo una fracción de la tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: la utilización de la GPU suele estar entre el 0-10%.
• Inflación del clúster: se necesitan más nodos para ejecutar el mismo número 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 particionado

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

Particionamiento basado en software: fragmentación temporal y MPS

La fragmentación temporal permite que múltiples procesos NVIDIA CUDA compartan una GPU mediante la intercalación de la ejecución, funcionando de manera similar a un programador de CPU: se ejecuta el contexto A, 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 “picos”: si el Pod A está inactivo, el Pod B puede usar 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 un uso intensivo en un pod puede afectar a los vecinos (el efecto del “vecino ruidoso”).

Además de la fragmentación temporal, el NVIDIA Multi-Process Service (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU concurrentemente 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 la fragmentación temporal estándar.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, lo que limita 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 fatal de ejecución 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 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.
• Ventajas: calidad de servicio (QoS) estricta. 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 computacionales no pueden ser “tomados” por un vecino.

Si bien la fragmentación temporal ofrece flexibilidad, se prefiere MIG para entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los acuerdos de nivel de servicio (SLA) empresariales. El particionado de hardware asegura que un error de memoria en un modelo no pueda provocar una falla en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en entornos críticos.

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 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 el entrenamiento de usuarios) o historias de conversación en crecimiento aumentan la sobrecarga de procesamiento en comparación con mensajes cortos. A medida que la historia se acumula, el LLM debe procesar más tokens antes de generar una respuesta, lo que extiende 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 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, liberando computación para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para las pruebas. En cada ronda, utilizamos tres muestras de voz, esperando a que la primera respuesta del LLM+TTS se completara. La configuración utilizó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM, y administrados por el NVIDIA NIM Operator. El nodo trabajador 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: Fragmentación temporal con dos GPUs
  • Configuración: El LLM conserva una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando fragmentación temporal 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: El LLM conserva 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 por 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 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 IA generativa según 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 (GPUs dedicadas), la fragmentación temporal (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100% y sin fallos. La tasa actual de req/s es la razón del cuello de botella del LLM en el pipeline.

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 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 IA simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica en el rendimiento entre las dos estrategias de particionado:

1. MIG (hardware): Mayor eficiencia

El Experimento 3 alcanzó la mayor productividad por unidad, llegando a ~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 efectivamente liberan una GPU completa para otras cargas de trabajo pesadas de LLM.

1. Fragmentación temporal (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 ~0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos en streaming y en ráfagas introduce sobrecarga en la 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 ráfagas

La fragmentación temporal maneja tareas individuales en ráfagas 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 una diferencia de 20 ms dentro de una respuesta de varios segundos, la estabilidad en el rendimiento de MIG es una métrica de producción más valiosa.

Recomendaciones para el particionado

Según los datos de referencia, recomendamos la siguiente matriz de decisiones:

1. Default a MIG para escalabilidad y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo un leve compromiso 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 las prioridades.
2. Utilizar fragmentación temporal para aplicaciones de desarrollo o baja concurrencia
   • Esto implica una reducción del 32% en el rendimiento total y dependencias de recursos compartidos.
   • Mejor para desarrollo, CI/CD y PoCs para ejecutar un pipeline completo en un hardware mínimo.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa el particionado: Sigue nuestra Guía de Implementación para configurar los perfiles MIG y utiliza los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: Despliega NVIDIA NIM pipelines para maximizar tu ASR, TTS y cargas de trabajo de LLM para un ROI máximo.