Optimización de GPU: Estrategias para aumentar la eficiencia en IA

En entornos de producción con Kubernetes, las diferencias entre los requisitos de los modelos y el tamaño de las GPUs generan ineficiencias. 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 implementaciones estándar de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente entre modelos, lo que provoca que recursos computacionales costosos permanezcan subutilizados.

Resolver esta cuestión no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes utilizando el mismo hardware de clase mundial. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPUs, específicamente NVIDIA Multi-Instance GPU (MIG) y la segmentación por tiempo, para aprovechar al máximo los recursos computacionales.

Utilizando una infraestructura de voz AI de grado de producción como nuestro campo de prueba, mostramos cómo combinar modelos para maximizar el retorno de inversión (ROI) de la infraestructura, manteniendo una fiabilidad 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 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 un pipeline de IA generativa, como los 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 la computación de GPU suele estar entre el 0-10%.
• Expansión del clúster: Se necesitan aprovisionar más nodos para ejecutar el mismo número 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 primarias para el particionamiento de GPUs soportadas por el NVIDIA GPU Operator.

Particionamiento basado en software: Segmentación por tiempo y MPS

La segmentación por tiempo permite que múltiples procesos NVIDIA CUDA 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 “bursting”: si el Pod A está inactivo, el Pod B puede utilizar el 100% de los núcleos computacionales de la GPU.
• Desventajas: Sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar al contexto de ejecución compartido, y un alto consumo computacional en un pod puede perjudicar a los vecinos (el efecto de “vecino ruidoso”).

Además de la segmentación por tiempo, 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 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 la segmentación por tiempo estándar.

No obstante, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Mientras que MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de un 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 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 parecen dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Ventajas: Calidad de servicio (QoS) estricta. Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Desventajas: Dimensionamiento rígido. Si una partición está inactiva, sus recursos computacionales no pueden ser “tomados prestados” por un vecino.

Mientras que la segmentación por tiempo ofrece flexibilidad, MIG es preferido para entornos de producción donde se requiere un aislamiento estricto 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 un fallo en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en misiones críticas.

Configuración experimental: El pipeline de voz AI

Para validar estas estrategias en un escenario realista de producción, utilizamos un pipeline 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 nuestro pipeline 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 usuarios) o conversaciones históricas en crecimiento aumentan la sobrecarga de procesamiento en comparación con mensajes cortos. 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. Si bien 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 la prueba. En cada ronda, utilizamos tres muestras de voz, esperando que la primera respuesta del LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM, y gestionados por el operador 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: 1 por pod.
• Experimento 2: Segmentación por tiempo con dos GPUs
  • Configuración: LLM conserva una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando segmentación por tiempo a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención del “vecino ruidoso” entre ASR y TTS.
  • Recurso: nvidia.com/gpu: 1 (compartido a través de replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM conserva 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 de software.
  • Recurso: nvidia.com/mig-3g.40gb: 1 por pod.

Nota de configuración: Para lograr estas topologías, utilizamos configuraciones específicas dentro del NVIDIA GPU Operator.

• Para el Experimento 2, utilizamos la configuración timeSlicing para anunciar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un ConfigMap personalizado mig-configs para particionar la GPU en dos instancias 3g.40gb.

(Para los comandos kubectl y los manifiestos YAML exactos 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 proceso a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), la segmentación por tiempo (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 la eficiencia y capacidad de respuesta del sistema en general.

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): Máxima 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 entera para otras cargas de trabajo pesadas de LLM.

1. Segmentación por tiempo (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 modelos intermitentes introduce una sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregada proporcionada por el particionamiento de hardware.

Latencia y el factor de intermitencia

La segmentación por tiempo maneja tareas individuales intermitentes 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. Default a MIG para escalabilidad y estabilidad
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo una ligera compensación de latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse al otro.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad al 100% son prioridades.
2. Utilizar segmentación por tiempo 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 con una huella de hardware mínima.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa particionamiento: Sigue nuestra Guía de Implementación para configurar perfiles MIG y utiliza los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: Despliega pipelines NVIDIA NIM para utilizar completamente tus cargas de trabajo de ASR, TTS y LLM para maximizar el ROI.