Las ineficiencias en entornos de Kubernetes se deben a la discrepancia entre los requerimientos de los modelos y el tamaño de las GPU. Modelos ligeros de reconocimiento automático de voz (ASR) o texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU entera en despliegues estándar de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartirlas fácilmente, lo que provoca que los recursos de cómputo costosos permanezcan subutilizados.
Resolver este problema no solo implica reducir costos, sino optimizar la densidad del clúster para atender a más usuarios concurrentes con 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 la división temporal para utilizar plenamente los recursos de cómputo.
Utilizando una canalización de voz AI de grado de producción como banco de pruebas, se demuestra cómo combinar modelos para maximizar el retorno de la inversión en infraestructura, manteniendo una fiabilidad superior al 99% y estrictas garantías de latencia.
Abordando la fragmentación de recursos de GPU
Por defecto, el Plugin de Dispositivos NVIDIA para Kubernetes muestra las GPU como recursos enteros. 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 cómputo dedicado 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 guardrails, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:
- Baja utilización: la utilización de cómputo GPU a menudo se mantiene entre 0-10%.
- Exceso de clúster: se necesita provisionar más nodos para ejecutar el mismo número de pods.
- Fricción en escalado: agregar una nueva capacidad requiere una nueva GPU física.
Para resolver esto, es necesario 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: división temporal y MPS
La división 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 el contexto B se ejecuta.
- 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 (OOM) en un pod puede afectar el contexto de ejecución compartido, y un cómputo intenso en un pod puede limitar a los vecinos (efecto del “vecino ruidoso”).
Además de la división temporal, el Servicio de Múltiples Procesos NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU simultáneamente 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 división 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 ilegal a la memoria en un proceso se propagará a través del contexto compartido, lo que potencialmente 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
El MIG particiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de streaming (SMs). Para el OS 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: dimensionamiento rígido. Si una partición está inactiva, sus recursos de cómputo no pueden ser “tomados prestados” por un vecino.
Mientras que la división temporal ofrece flexibilidad, el MIG es preferido para 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 cause un fallo en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en situaciones críticas.
Configuración experimental: La canalización de voz AI
Para validar estas estrategias en un escenario realista de producción, utilizamos una canalización de voz a voz AI multimodal. Esta carga de trabajo es ideal para establecer referencias 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. Esta demora puede fluctuar significativamente dependiendo de la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar a los usuarios) o historiales de conversación 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 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 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 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 contra el cual medir la optimización.
- Recurso:
nvidia.com/gpu: 1por pod.
- Experimento 2: División temporal con dos GPUs
- Configuración: LLM mantiene una GPU dedicada. ASR y TTS comparten la GPU 0 usando división temporal a nivel de software.
- Objetivo: Probar si la programación dinámica puede manejar la contención de “vecinos ruidosos” entre ASR y TTS.
- 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 está físicamente particionada 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, usamos la configuración
timeSlicingpara publicitar múltiples réplicas por GPU física. - Para el Experimento 3, aplicamos un
mig-configsConfigMap personalizado para particionar la GPU en dos instancias de3g.40gb.
(Para conocer los comandos 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 en solicitudes por segundo por GPU a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), división temporal (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tuvieron una tasa de éxito del 100%, sin fallos. La tasa actual de req/s es la razón del cuello de botella LLM en la canalización.
Métricas de latencia media
El siguiente análisis evalúa cómo las 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 logró la mayor productividad por unidad, alcanzando ~1.00 req/s por GPU. Al proporcionar caminos de hardware dedicados para cada instancia, el MIG elimina la contención de recursos. Las organizaciones pueden alcanzar casi toda la capacidad del sistema mientras liberan efectivamente una GPU entera para otras cargas de trabajo pesadas de LLM.
- División 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, alcanzando ~0.76 req/s por GPU. Sin embargo, la gestión del controlador CUDA de los cambios de contexto rápidos entre modelos de transmisión y de ráfagas introduce 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 ráfaga
La división temporal maneja tareas individuales de ráfagas ligeramente más rápido, con una latencia media de TTS de 144.7 ms en comparación con los 168.2ms del 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 gran mayoría del tiempo total de interacción. Debido a que el usuario final no puede percibir un delta de 20ms dentro de una respuesta de varios segundos, la estabilidad de rendimiento del MIG es una métrica de producción más valiosa.
Recomendaciones para el particionamiento
Con base en los datos de referencia, recomendamos la siguiente matriz de decisiones:
- Optar por MIG para escalado y estabilidad en producción
- El Experimento 3 mostró que el MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo una leve trade-off en latencia.
- El estricto aislamiento de fallos a nivel de hardware impide que un desbordamiento de memoria en un proceso perjudique a otro.
- Mejor para entornos de producción donde el rendimiento y la fiabilidad al 100% son prioridades.
- Utilizar división 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 pruebas de concepto para ejecutar un pipeline completo con un mínimo de hardware.
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 utilizar plenamente tus cargas de trabajo de ASR, TTS y LLM para un máximo ROI.
