En entornos de producción con Kubernetes, las diferencias entre los requisitos de los modelos y el tamaño de las GPU generan ineficiencias. Por ejemplo, modelos de reconocimiento automático de voz (ASR) o de texto a voz (TTS) pueden requerir solo 10 GB de VRAM pero ocupan una GPU entera en implementaciones estándar de Kubernetes. Esto ocurre porque el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre diferentes modelos, lo que deja recursos de cómputo costosos poco utilizados.
Abordar este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes en el mismo hardware de primer nivel. Este artículo detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el time-slicing, para utilizar completamente los recursos de cómputo.
Utilizando una canalización de IA de voz de calidad de producción como nuestra base de prueba, mostramos cómo combinar modelos para maximizar el retorno de la inversión (ROI) de la infraestructura mientras mantenemos una confiabilidad superior al 99% y estrictas garantías de latencia.
Abordando la fragmentación de recursos de GPU
Por defecto, el plugin de 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 grandes (LLMs) como NVIDIA Nemotron, Llama 3 o Qwen 7B/8B requieren un cómputo dedicado para mantener un bajo tiempo de respuesta inicial (TTFT) y un alto rendimiento por lote. Sin embargo, los modelos de soporte en una canalización de IA generativa—modelos de incrustación, ASR, TTS o guardrails—utilizan a menudo solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:
- Baja utilización: La utilización del cómputo de GPU a menudo se encuentra cerca del 0-10%.
- Expansión 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 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 de NVIDIA CUDA compartan una GPU mediante la intercalación de 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.
- Pros: Maximiza la utilización. Permite “bursting”—si el Pod A está inactivo, el Pod B puede utilizar el 100% de los núcleos de cómputo de la GPU.
- Contras: Sin aislamiento de hardware. Un desbordamiento de memoria en un pod puede afectar el contexto de ejecución compartido, y un alto cómputo en un pod puede limitar el rendimiento de los vecinos (el efecto “vecino ruidoso”).
Además del time-slicing, el Servicio de Múltiples Procesos (MPS) de NVIDIA ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU concurrentemente 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.
No obstante, en producción, ambos métodos comparten un solo contexto de ejecución, limitando el aislamiento. Si bien el 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 de memoria ilegal en un proceso se propagará a través del contexto compartido, lo que podría llevar a un restablecimiento 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, 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.
- Pros: Calidad de servicio estricta (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
- Contras: Dimensionamiento rígido. Si una partición está inactiva, sus recursos de cómputo no pueden ser “prestados” por un vecino.
Si bien el time-slicing ofrece flexibilidad, MIG es preferido para entornos de producción donde se requiere un aislamiento de fallos a nivel de hardware estricto para cumplir con los 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 de misión crítica.
Configuración experimental: La canalización de IA de voz
Para validar estas estrategias en un escenario realista de producción, utilizamos una canalización de IA 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 fundamental entender nuestro perfil de latencia. En nuestra canalización 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 en función de la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar a los usuarios) o conversaciones 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. Aunque la consolidación puede introducir un ligero ajuste de latencia de 100-200 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 fluctuación mientras libera cómputo para instancias adicionales de LLM.
Experimento
Diseñamos tres configuraciones distintas para las pruebas. En cada ronda, usamos tres muestras de voz, esperando a que la primera respuesta de LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados usando 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 con el que 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 usando 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 en ráfagas.
- 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 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: 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 publicitar 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 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 a través de diferentes patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes del proceso a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), el time-slicing (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos alcanzaron una tasa de éxito del 100%, sin fallos. La tasa actual de solicitudes por segundo es el motivo del cuello de botella del LLM en la canalización.
Métricas de latencia media
El siguiente análisis evalúa cómo diferentes estrategias de particionamiento de GPU impactan la eficiencia general del sistema y la capacidad de respuesta.
Rendimiento comparado con 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 particionamiento:
- MIG (hardware): Mayor eficiencia
El Experimento 3 alcanzó la mayor productividad por unidad, llegando a ~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 pesadas de LLM.
- 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 por parte del controlador CUDA de los rápidos cambios de contexto entre modelos en streaming y en ráfagas 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 de ráfagas
El time-slicing 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 de la canalización 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 referencia, recomendamos la siguiente matriz de decisiones:
- Optar por MIG para escalabilidad y estabilidad en producción
- El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo una leve compensación en latencia.
- El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso colapse al otro.
- Mejor para entornos de producción donde el rendimiento y la confiabilidad al 100% son prioridades.
- 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 canalización completa en un hardware mínimo.
Comienza
- Experimenta más: Prueba el repositorio.
- Implementa el particionamiento: Sigue nuestra Guía de Implementación para configurar perfiles MIG y usar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
- Escala con NIM: Despliega canalizaciones NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.
