En entornos de producción de Kubernetes, las diferencias entre los requisitos de los modelos y el tamaño de las GPU generan ineficiencias. 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 ocurre porque el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente recursos entre GPUs.
Resolver este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para servir a más usuarios concurrentes utilizando el mismo hardware de alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y time-slicing, para utilizar plenamente los recursos computacionales.
Utilizando una 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 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 GPUs como recursos enteros. Un pod solicita nvidia.com/gpu: 1, y el programador lo vincula 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 lotes. Sin embargo, los modelos de soporte en una pipeline de AI generativa, como modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una GPU. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:
- Baja utilización: La utilización de computación de GPU suele estar entre el 0 y el 10%.
- Exceso de nodos: Se necesitan más nodos para ejecutar la misma cantidad de pods.
- Fricción en la escalabilidad: Añadir una nueva capacidad requiere una nueva GPU física.
Para resolver esto, es necesario 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 NVIDIA CUDA compartan una GPU intercalando la 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 usar 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 al contexto de ejecución compartido y una carga computacional pesada en un pod puede estrangular 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 utilizando una arquitectura de 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 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 puede propagarse a través del contexto compartido, lo que podría llevar a un reinicio de la GPU que afecta a otros procesos que comparten la tarjeta.
MIG: El enfoque de hardware para el particionamiento
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 parecen dispositivos PCI separados.
- Mecanismo: Aislamiento a nivel de hardware.
- Ventajas: Estricta calidad de servicio (QoS). Un trabajo no puede afectar el rendimiento o la estabilidad de memoria de otro.
- Desventajas: Tamaño rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “tomados prestados” por un vecino.
Si bien 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 (SLAs) 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 AI de voz de misión crítica.
Configuración experimental: La pipeline de voz AI
Para validar estas estrategias en un escenario realista de producción, utilizamos una pipeline de voz a voz multimodal de AI. Esta carga de trabajo es ideal para la evaluación porque mezcla tres patrones de tráfico distintos:
Antes de optimizar, es fundamental comprender 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 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 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 ajuste de latencia leve de 100 a 200 ms, las ganancias en rendimiento y ROI de la infraestructura son significativas.
Nuestra hipótesis
Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variación mientras libera 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 mediante 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: Baseline con tres GPUs
- Configuración: Una GPU dedicada para cada modelo (LLM, ASR, TTS).
- Objetivo: Establecer el “patrón 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 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 de “vecinos ruidosos” entre ASR en streaming y TTS intermitente.
- Recurso:
nvidia.com/gpu: 1(Compartido a través dereplicas: 2).
- Experimento 3: Particionamiento MIG con dos GPUs
- Configuración: LLM mantiene 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 por 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 ConfigMap
mig-configspersonalizado para particionar la GPU en dos instancias de3g.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 ligeros y pesados. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, comparando el baseline (GPUs dedicadas), el time-slicing (compartición por software) y el MIG (particionamiento por 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 del LLM en la 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 general del sistema.
Rendimiento comparado con latencia
Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en una pipeline optimizada, permitiendo que el clúster soporte más flujos de AI simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica de rendimiento entre las dos estrategias de particionamiento:
- 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 toda una GPU 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 el baseline, alcanzando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos de streaming y modelos intermitentes introduce una sobrecarga de programación. Aunque es funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregada que proporciona el particionamiento de hardware.
Latencia y el factor intermitente
El time-slicing maneja tareas individuales intermitentes 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 varios segundos, la estabilidad de rendimiento de MIG es una métrica de producción más valiosa.
Recomendaciones para el particionamiento
Basado en los datos de benchmark, recomendamos la siguiente matriz de decisiones:
- Optar por MIG para escalas de producción y estabilidad
- El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo un leve compromiso de 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 al 100% 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 PoCs para ejecutar una pipeline completa en una huella de hardware mínima.
Comenzar
- Experimentar más: Prueba el repositorio.
- Implementar el 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.
- Escalar con NIM: Despliega pipelines NVIDIA NIM para utilizar plenamente tus cargas de trabajo de ASR, TTS y LLM para un máximo ROI.
