En entornos de Kubernetes productivos, las diferencias entre los requisitos de los modelos y el tamaño de las GPU generan ineficiencias. Modelos ligeros como el reconocimiento automático de voz (ASR) o el texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU completa en despliegues estándar de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente entre GPUs a través de modelos, dejando muchos recursos de computación costosos subutilizados.
Resolver esto no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes en 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 utilizar plenamente los recursos de computación.
Usando una canalización 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 garantizando estrictas latencias.
Abordando la fragmentación de recursos de GPU
Por defecto, el Plugin de Dispositivo 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 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 canalización de IA generativa, como modelos de incrustación, ASR, TTS o barreras, 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 GPU a menudo se encuentra entre el 0-10%.
- Inflación del clúster: 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, 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 CUDA de NVIDIA 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 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 utilizar 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 pesada en un pod puede afectar a sus 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 mediante 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.
No obstante, en producción, ambos métodos comparten un solo contexto de ejecución, limitando el aislamiento. Aunque el MPS moderno proporciona espacios de direcciones virtuales aislados, carece de aislamiento de fallas a nivel de hardware. Esto significa que un error fatal de ejecución o un acceso ilegal a memoria en un proceso se propagará a través del contexto compartido, lo que podría provocar 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, 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 (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” por un vecino.
Mientras que el time-slicing ofrece flexibilidad, MIG se prefiere para entornos de producción donde se requiere un estricto aislamiento de fallas a nivel de hardware para cumplir con los SLA empresariales. El particionamiento de hardware asegura que un error de memoria en un modelo no cause una falla en cascada a través de la GPU compartida, un requisito crítico para la IA de voz de misión crítica.
Configuración experimental: La canalización de voz AI
Para validar estas estrategias en un escenario realista de producción, utilizamos una canalización 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 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 según la longitud del contexto; por ejemplo, escenarios de alta entrada (como la formación de usuarios) o historias de conversación en crecimiento aumentan la sobrecarga de procesamiento en comparación con entradas 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 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 variabilidad mientras se libera capacidad de computación para instancias adicionales de LLM.
Experimento
Diseñamos tres configuraciones distintas para la prueba. En cada ronda, utilizamos tres muestras de voz, esperando a que la primera respuesta de LLM+TTS se completara. La configuración utilizó un clúster de Kubernetes, modelos desplegados usando NVIDIA NIM, y gestionados por el Operador de NVIDIA NIM. El nodo trabajador 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: 1por 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 en ráfagas.
- Recurso:
nvidia.com/gpu: 1(Compartido a través dereplicas: 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 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 de
mig-configspersonalizado para particionar la GPU en dos instancias de3g.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 IA generativa entre patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia, entre la línea base (GPUs dedicadas), el time-slicing (compartición software) y MIG (particionamiento hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100% y sin fallas. La tasa actual de req/s es la razón del cuello de botella en el LLM dentro de la canalización.
Métricas de latencia media
El siguiente análisis evalúa cómo las diferentes estrategias de particionamiento de GPU impactan en la eficiencia y 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 una canalización optimizada, 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 logró la máxima 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 plena capacidad del sistema mientras liberan efectivamente una GPU completa 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 de cambios de contexto rápidos entre modelos de streaming y ráfagas introduce sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado que ofrece el particionamiento de hardware.
Latencia y el factor de ráfaga
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 benchmark, recomendamos la siguiente matriz de decisiones:
- Default a MIG para escalabilidad 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 fallas a nivel de hardware previene que un desbordamiento de memoria en un proceso afecte a otro.
- Mejor para entornos de producción donde el rendimiento y la fiabilidad 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 mínimo de hardware.
Comienza
- Experimenta más: Prueba el repositorio.
- 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.
- Escala con NIM: Despliega canalizaciones NVIDIA NIM para utilizar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.
