Optimiza el uso de GPUs en Kubernetes para mejorar la eficiencia en trabajos de inteligencia artificial

Las ineficiencias en los entornos de producción de Kubernetes surgen debido a la diferencia entre los requisitos de los modelos y el tamaño de las GPU. 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 de Kubernetes. Esto se debe a que el programador asocia un modelo a una o más GPU y no puede compartir fácilmente entre modelos, lo que resulta en recursos computacionales 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 en 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 la segmentación temporal, para aprovechar al máximo los recursos computacionales.

Utilizando una canalización de voz de IA de grado de producción como nuestro banco de pruebas, demostramos cómo combinar modelos para maximizar el retorno de inversión en 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 GPU como recursos enteros, donde un pod solicita nvidia.com/gpu: 1 y el programador lo asigna 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 los modelos de incrustación, ASR, TTS o los guardrails, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:

• Baja utilización: La utilización de la computación de GPU a menudo se sitúa entre el 0 y el 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 GPU.

Arquitectura: Estrategias de particionamiento

Evaluamos dos estrategias principales para el particionamiento de GPU que son compatibles con el operador de GPU de NVIDIA.

Particionamiento basado en software: Segmentación temporal y MPS

La segmentación temporal 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 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 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 de computación pesada en un pod puede limitar el rendimiento de los vecinos (el efecto del “vecino ruidoso”).

Además de la segmentación temporal, 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 la segmentación temporal estándar.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Aunque el MPS moderno 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 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 transmisión (SMs). Para el sistema operativo y Kubernetes, estas parecen 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 la segmentación temporal 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 asegura que un error de memoria en un modelo no puede causar 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 IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una canalización multimodal de voz a voz de IA. 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 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 el crecimiento de las historias de conversación aumentan la sobrecarga de procesamiento en comparación con los mensajes cortos. A medida que la historia se acumula, el LLM debe procesar más tokens antes de generar una respuesta, ampliando 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 y el retorno de inversión en infraestructura 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 capacidad de cómputo 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 utilizando NVIDIA NIM, y gestionados por el operador de NVIDIA NIM. El nodo de trabajo tenía acceso a tres GPU NVIDIA A100 Tensor Core.

• Experimento 1: Línea base con tres GPU
  • 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: Segmentación temporal con dos GPU
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando segmentación temporal a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención entre ASR y TTS.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPU
  • 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 mig-configs ConfigMap personalizado para particionar la GPU en dos instancias de 3g.40gb.

(Para los comandos exactos de 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 a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, comparando la línea base (GPU dedicadas), la segmentación temporal (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. El rendimiento actual es la razón del cuello de botella en el LLM dentro de la canalización.

Métricas de latencia media

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

Rendimiento 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:

1. MIG (hardware): Mayor eficiencia

El Experimento 3 alcanzó la mayor productividad por unidad, llegando a ~1.00 req/s por GPU. Al proporcionar caminos de hardware dedicados para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden lograr casi toda la capacidad del sistema mientras liberan efectivamente toda una GPU para otras cargas pesadas de LLM.

1. Segmentación temporal (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 ~0.76 req/s por GPU. Sin embargo, la gestión de cambios rápidos de contexto entre modelos de transmisión y modelos de ráfagas introduce sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado que proporciona el particionamiento de hardware.

Latencia y el factor de ráfaga

La segmentación temporal maneja tareas individuales de 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 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:

1. Defaut a MIG para escalabilidad y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una leve compensación de latencia.
   • El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso bloquee a otro.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad del 100% son prioridades.
2. Utilizar segmentación temporal 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 un pipeline completo en un hardware mínimo.

Comience

1. Experimente más: Pruebe el repositorio.
2. Implemente el particionamiento: Siga nuestra guía de implementación para configurar perfiles MIG y utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en su clúster.
3. Escale con NIM: Despliegue canalizaciones NVIDIA NIM para utilizar completamente sus cargas de trabajo de ASR, TTS y LLM para un retorno de inversión máximo.