Optimiza el rendimiento de la infraestructura AI al consolidar cargas de trabajo de GPU subutilizadas

En entornos de producción de Kubernetes, la discrepancia 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 toda una GPU en despliegues estándar. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre ellas.

Solucionar este problema no solo se trata de reducir costos, sino de optimizar la densidad del clúster para atender a más usuarios concurrentes con el mismo hardware de alta calidad. 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 de computación.

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 (ROI) de la infraestructura manteniendo más del 99% de fiabilidad 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 de lotes. Sin embargo, los modelos de soporte en un 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 y el 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 de particionado de GPU soportadas por el NVIDIA GPU Operator.

Particionado basado en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos CUDA de NVIDIA compartan una GPU intercalando la ejecución, 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 usar el 100% de los núcleos de computación de la GPU.
• Desventajas: no hay aislamiento de hardware. Un desbordamiento de memoria en un pod puede afectar al contexto de ejecución compartido, y un cálculo pesado en un pod puede limitar a los vecinos (el efecto “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 concurrentemente utilizando 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 MPS moderno proporciona espacios de direcciones virtuales aislados, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error fatal de ejecución o 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

El MIG particiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de flujo (SMs). Para el sistema operativo y Kubernetes, estas parecen ser 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: tamaño rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “tomados 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 acuerdos de nivel de servicio (SLA) empresariales. El particionado de hardware asegura que un error de memoria en un modelo no pueda causar una falla en cascada en la GPU compartida, un requisito crítico para la IA de voz en situaciones críticas.

Configuración experimental: el pipeline de voz AI

Para validar estas estrategias en un escenario realista de producción, utilizamos un pipeline de voz a voz multimodal. 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. 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 ocultar.

Consolidar modelos de soporte como ASR y TTS proporciona un camino estratégico para maximizar la utilización de 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 a 200 ms, los beneficios en el rendimiento de la infraestructura y el ROI son significativos.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variabilidad mientras 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 utilizó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM, y gestionados por el NVIDIA NIM Operator. El nodo de trabajo tuvo 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 dorado” de 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 del “vecino ruidoso” entre ASR en streaming y TTS explosivo.
  • Recurso: nvidia.com/gpu: 1 (compartido a través de replicas: 2).
• Experimento 3: Particionamiento 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 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 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 el particionado afecta las solicitudes de proceso a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), el time-slicing (compartición de software) y el MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallos. La actual req/s es la razón del cuello de botella del LLM en el pipeline.

Métricas de latencia media

El siguiente análisis evalúa cómo las 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 resulta en un pipeline optimizado, 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 particionado:

1. MIG (hardware): máxima eficiencia

El Experimento 3 logró la máxima 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 completa para otros trabajos pesados 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, logrando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión de los rápidos cambios de contexto entre modelos de streaming y explosivos introduce sobrecarga en la programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia agregada de rendimiento proporcionada por el particionado de hardware.

Latencia y el factor explosivo

El time-slicing maneja tareas individuales explosivas 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 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. Optar por MIG para escalas de producción y estabilidad
   • El Experimento 3 demostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo una ligera compensación en la latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse el otro.
   • Ideal 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.
   • Ideal para desarrollo, CI/CD y pruebas de concepto para ejecutar un pipeline completo en un hardware mínimo.

Comenzar

1. Experimentar más: Pruebe el repositorio.
2. Implementar particionado: Siga nuestra Guía de Implementación para configurar perfiles MIG y utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en su clúster.
3. Escalar con NIM: Despliegue pipelines NIM para utilizar completamente sus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.