Optimiza el rendimiento de la infraestructura de IA al unificar cargas de trabajo subutilizadas en GPUs

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. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartir fácilmente recursos entre modelos.

Resolver esta situación no solo se trata de reducir costos, sino también de 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 time-slicing para aprovechar al máximo los recursos computacionales.

Utilizando una tubería de voz AI de grado de producción como nuestro banco de pruebas, demostramos cómo combinar modelos para maximizar el retorno de inversión (ROI) de la infraestructura, manteniendo una confiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de GPU

Por defecto, el Plugin de Dispositivo NVIDIA 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 de gran escala (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 una tubería de AI generativa, como modelos de incrustación, ASR, TTS o refuerzos, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: La utilización de la computación de la GPU suele rondar entre el 0 y el 10%.
• Exceso de clúster: Se requieren 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 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 el contexto B se ejecuta.

• Mecanismo: Programación a nivel de software a través del controlador CUDA.
• Pros: Maximiza la utilización. Permite el “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos de computación de la GPU.
• Contras: Sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y una carga computacional elevada en un pod puede estrangular a los vecinos (el efecto “vecino ruidoso”).

Además del time-slicing, NVIDIA Multi-Process Service (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU de manera concurrente 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 único contexto de ejecución, limitando el aislamiento. Mientras que 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 a memoria ilegal 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 particionamiento

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 se ven como dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Pros: Calidad de servicio (QoS) estricta. Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Contras: 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 ambientes 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 la AI de voz en entornos críticos.

Configuración experimental: La tubería de voz AI

Para validar estas estrategias en un escenario de producción realista, utilizamos una tubería de AI 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 crucial entender nuestro perfil de latencia. En nuestra tubería de voz a voz, el LLM es el principal cuello de botella. Bajo cargas altas, 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 entrenar usuarios) o historiales de conversación en crecimiento 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. Aunque la consolidación puede introducir un ligero ajuste de latencia de 100 a 200 ms, las ganancias en el rendimiento de la infraestructura y el ROI son significativas.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variabilidad mientras libera computación para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para la prueba. En cada ronda, utilizamos tres muestras de voz, esperando que la primera respuesta del LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados utilizando 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: 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 del “vecino ruidoso” entre ASR en streaming y TTS intermitente.
  • 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 se particiona 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 Operador de GPU de NVIDIA.

• Para el Experimento 2, utilizamos la configuración timeSlicing para anunciar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un ConfigMap personalizado mig-configs para particionar la GPU en dos instancias de 3g.40gb.

(Para los comandos exactos 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 a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, a lo largo de la línea base (GPUs dedicadas), el time-slicing (compartición de software) y MIG (particionamiento de 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 tubería.

Métricas de latencia media

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

Rendimiento en comparación con la latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU da como resultado una tubería optimizada, permitiendo que el clúster soporte más flujos de AI 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 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 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, logrando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión de los cambios de contexto rápidos entre modelos en streaming e intermitentes introduce una sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por 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 tubería 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 referencia, recomendamos la siguiente matriz de decisiones:

1. Default a MIG para producción y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una pequeña compensación en latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse al otro.
   • Mejor para entornos de producción donde el rendimiento y la confiabilidad 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 PoCs para ejecutar una tubería completa en un mínimo de recursos de hardware.

Comienza

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