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 texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan toda una GPU en implementaciones estándar de Kubernetes. Esto ocurre porque el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente entre GPUs, lo que resulta en recursos de computación costosos que a menudo permanecen infrautilizados.
Resolver este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes con el mismo hardware de clase mundial. Esta guía 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 computación.
Utilizando una tubería de IA de voz de grado de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de la inversión de infraestructura mientras mantenemos una fiabilidad superior al 99% y estrictas garantías de latencia.
Abordando la fragmentación de recursos de GPU
Por defecto, el complemento 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 una alta capacidad de procesamiento por lotes. Sin embargo, los modelos de soporte en un pipeline 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 de computación de GPU a menudo ronda entre 0-10%.
- Inflación del clúster: Se necesitan más nodos para ejecutar el mismo número de pods.
- Fricción al escalar: Agregar una nueva capacidad requiere una nueva GPU física.
Para solucionar 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 intercalando su 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.
- Ventajas: 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.
- Desventajas: Sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y un alto consumo de computación en un pod puede limitar 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 de manera concurrente mediante 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 único contexto de ejecución, limitando el aislamiento. Aunque el MPS moderno proporciona espacios de direcciones virtuales aisladas, carece del 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 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 streaming (SMs). Para el sistema operativo y Kubernetes, estas parecen ser dispositivos PCI separados.
- Mecanismo: Aislamiento a nivel de hardware.
- Ventajas: Estricto nivel de calidad de servicio (QoS). 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 de computación no pueden ser “tomados” por un vecino.
Mientras que el time-slicing ofrece flexibilidad, MIG es preferido en entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los SLA empresariales. El particionamiento de hardware garantiza que un error de memoria en un modelo no pueda causar un fallo en cascada en la GPU compartida, un requisito crítico para una IA de voz de misión crítica.
Configuración experimental: La tubería de IA de voz
Para validar estas estrategias en un escenario de producción realista, utilizamos una tubería 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 crítico entender nuestro perfil de latencia. En nuestra tubería 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 a los usuarios) o el crecimiento de historiales de conversación aumentan el costo de procesamiento en comparación con mensajes cortos. 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 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 la capacidad de procesamiento de infraestructura y el retorno de la inversión 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 recursos de computación para instancias adicionales de LLM.
Experimento
Diseñamos tres configuraciones distintas para las pruebas. En cada ronda, utilizamos tres muestras de voz, esperando a que la primera respuesta de LLM+TTS 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 capacidad de procesamiento 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 usando el 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 en ráfagas.
- Recurso:
nvidia.com/gpu: 1(Compartido a través dereplicas: 2).
- Experimento 3: Partición MIG con dos GPUs
- Configuración: LLM retiene 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 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 anunciar múltiples réplicas por GPU física. - Para el Experimento 3, aplicamos un
mig-configsConfigMap personalizado para particionar la GPU en dos instancias de3g.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, 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 la capacidad de procesamiento de inferencia de IA generativa según los patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, en comparación con 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 el pipeline.
Métricas de latencia media
El siguiente análisis evalúa cómo diferentes estrategias de particionamiento de GPU impactan en la eficiencia y capacidad de respuesta del sistema en general.
Capacidad de procesamiento en comparación con la 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, 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 lograr casi la máxima capacidad del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo de LLM pesadas.
- Time-slicing (software): Mayor densidad con sobrecarga
El Experimento 2 demostró 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 en streaming y de ráfaga por parte del controlador CUDA introduce sobrecarga en la programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de capacidad de procesamiento agregada proporcionada por el particionamiento de hardware.
Latencia y el factor de ráfaga
El time-slicing maneja tareas individuales en ráfaga 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 del 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 capacidad de procesamiento 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:
- Usar MIG como opción predeterminada para estabilidad y escala de producción
- El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una pequeña compensación de latencia.
- El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso haga fallar a otro.
- Mejor para entornos de producción donde la capacidad de procesamiento y la fiabilidad del 100% son las prioridades.
- Usar time-slicing para desarrollo o aplicaciones de baja concurrencia
- Esto implica una reducción del 32% en la capacidad de procesamiento total y dependencias de recursos compartidos.
- Mejor para desarrollo, CI/CD y pruebas de concepto para ejecutar un pipeline completo en una huella de hardware mínima.
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 tuberías NVIDIA NIM para utilizar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.
