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

En entornos de Kubernetes en producción, 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 implementaciones estándar de Kubernetes. Esto sucede porque el programador asigna un modelo a una o más GPU y no puede compartir fácilmente recursos entre diferentes modelos.

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 alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el uso de time-slicing para aprovechar completamente los recursos computacionales.

Utilizando una pipeline de IA de voz de calidad de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de inversión (ROI) de la infraestructura, manteniendo una confiabilidad superior al 99% y garantizando estrictos tiempos 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 lotes. Sin embargo, los modelos de soporte en una pipeline de IA generativa, como modelos de incrustaciones, ASR, TTS o mecanismos de seguridad, a menudo utilizan solo una fracción de una GPU. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:

• Baja utilización: la utilización de GPU suele estar entre el 0-10%.
• Expansión del clúster: se necesitan más nodos para ejecutar la misma cantidad de pods.
• Fricción al escalar: añadir una nueva capacidad requiere una nueva GPU física.

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

Arquitectura: Estrategias de particionamiento

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

Particionamiento 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 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 el contexto de ejecución compartido, y un alto consumo computacional 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 utilizando 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.

Sin embargo, en producción, ambos métodos comparten un contexto de ejecución único, limitando el aislamiento. Aunque la MPS moderna proporciona espacios de direcciones virtuales aislados, 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 podría llevar a un reinicio de la GPU que afecte 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 dedicada, caché y multiprocesadores de transmisión (SMs). Para el sistema operativo y Kubernetes, estas se ven como 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 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 particionamiento de hardware asegura que un error de memoria en un modelo no pueda causar un fallo en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en misiones.

Configuración experimental: La pipeline de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una pipeline 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 fundamental 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 ~9 segundos del tiempo total de procesamiento. Esta demora puede variar 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 ofrece 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 pequeño ajuste de latencia de 100-200 ms, las ganancias en rendimiento de infraestructura y ROI son significativas.

Nuestra hipótesis

Consolidar 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 con NVIDIA NIM, y gestionados 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: 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 del “vecino ruidoso” entre el streaming ASR y el TTS variable.
  • Recurso: nvidia.com/gpu: 1 (Compartido mediante replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM mantiene 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 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, pusimos a prueba 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 patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia, en comparación con la línea base (GPUs dedicadas), el time-slicing (compartición por software) y MIG (particionamiento por hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallas. La tasa actual de req/s es la razón del cuello de botella en el LLM en la pipeline.

Métricas de latencia media

El análisis siguiente evalúa cómo las diferentes estrategias de particionamiento de GPU impactan la eficiencia y la capacidad de respuesta general del sistema.

Rendimiento en comparación con la latencia

Consolidar cargas de trabajo de ASR y TTS en una sola GPU resulta en una pipeline optimizada, 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 particionamiento:

1. MIG (hardware): Mayor eficiencia

El Experimento 3 alcanzó la mayor productividad por unidad, alcanzando ~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 una GPU entera 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, alcanzando ~0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos de streaming y de ráfagas introduce sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia agregada de rendimiento proporcionada por el particionamiento de hardware.

Latencia y el factor de ráfagas

El time-slicing maneja tareas individuales de ráfagas ligeramente más rápido, con una latencia media de TTS de 144.7 ms en comparación con 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 del 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:

1. Por defecto, utilizar MIG para escalamiento y estabilidad en producción
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo un pequeño compromiso en latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse a otro.
   • Mejor 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.
   • Mejor para desarrollo, CI/CD y pruebas de concepto para ejecutar una pipeline completa en un mínimo de hardware.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa 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.
3. Escala con NIM: Despliega pipelines NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.