Optimización de la infraestructura de IA al consolidar tareas de GPU infrautilizadas

En entornos de producción de Kubernetes, la discrepancia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. 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. Como el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre ellas, los recursos computacionales costosos a menudo permanecen infrautilizados.

Resolver este problema no solo implica reducir costos; también se trata de 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 la división por tiempo para aprovechar al máximo los recursos computacionales.

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 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—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 la GPU a menudo se sitúa entre el 0-10%.
• Inflación del clúster: se requieren más nodos para ejecutar el mismo número de pods.
• Fricción en la escalabilidad: añadir 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: División por tiempo y MPS

La división por tiempo 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 corre el contexto B.

• 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 usar el 100% de los núcleos de computo de la GPU.
• Desventajas: sin aislamiento de hardware. Un desbordamiento de memoria en un pod puede afectar el contexto de ejecución compartido, y un alto consumo computacional en un pod puede limitar a los vecinos (el efecto de “vecino ruidoso”).

Además de la división 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 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 la división por tiempo estándar.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Aunque MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallas 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 conducir 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, caché y multiprocesadores de streaming (SMs). Para el sistema operativo y Kubernetes, estas lucen como dispositivos PCI separados.

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

Mientras que la división por tiempo ofrece flexibilidad, MIG es preferido 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 pueda causar un fallo en cascada a través de la GPU compartida; un requisito crítico para la IA de voz de misión crítica.

Configuración experimental: El pipeline de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos un pipeline de IA de voz multimodal. Esta carga de trabajo es ideal para la evaluación debido a que 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. Esta demora puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o historias de conversación en crecimiento incrementan 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 100-200 ms, las ganancias en el rendimiento de la infraestructura y el ROI son significativas.

Nuestra hipótesis

Consolidar cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variabilidad mientras libera computación 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 completara. 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: 1 por pod.
• Experimento 2: División por tiempo con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 usando división por tiempo a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención de “vecinos ruidosos” entre ASR en streaming y TTS variable.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Particionamiento 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: 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 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 respuesta de la inferencia de IA generativa a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que la concurrencia aumenta, en la línea base (GPUs dedicadas), división 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

La figura 6 muestra la latencia media en milisegundos para ASR, LLM TTFT y TTS bajo carga pesada. La latencia de ASR es aproximadamente de 511-516 ms en todas las pruebas; LLM TTFT se mantiene constante alrededor de 46-48 ms; y la latencia de TTS varía entre 144.7 ms para la división por tiempo y 168.2 ms para MIG.

La figura 7 mide la latencia de los componentes del pipeline durante la carga ligera (5 usuarios concurrentes). La latencia de ASR se sitúa entre 476.4 ms y 490.2 ms; LLM TTFT oscila entre 36.7 ms y 38.6 ms; y la latencia de TTS varía entre 99.7 ms y 106.3 ms en los tres experimentos.

El siguiente análisis evalúa cómo las diferentes estrategias de particionamiento de GPU impactan la eficiencia y la capacidad de respuesta del sistema en general.

Rendimiento en comparación con la latencia

Consolidar cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, permitiendo que el clúster soporte más transmisiones de IA simultáneas. 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 logró la mayor productividad por unidad, alcanzando ~1.00 req/s por GPU. Al proporcionar caminos de hardware dedicados para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden alcanzar casi la capacidad total del sistema mientras liberan efectivamente toda una GPU para otras cargas de trabajo pesadas de LLM.

1. División por tiempo (software): mayor densidad con exceso

El Experimento 2 demostró 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 del controlador CUDA de los cambios de contexto rápidos entre modelos de streaming y modelos variables introduce una sobrecarga de programación. Si bien es funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por el particionamiento de hardware.

Latencia y el factor variable

La división por tiempo maneja tareas individuales variables 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 presente. 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:

1. Usar MIG por defecto para escalas de producción y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una leve compensación en latencia.
   • El estricto aislamiento de fallas 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 del 100% son prioridades.
2. Utilizar división 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 Pruebas de Concepto para ejecutar un pipeline completo en un mínimo de recursos de hardware.

Comienza ahora

1. Experimenta más: Prueba el repositorio.
2. 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.
3. Escala con NIM: Despliega pipelines NVIDIA NIM para utilizar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.