Optimización de la infraestructura de IA mediante la consolidación de tareas GPU subutilizadas

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 necesitar solo 10 GB de VRAM, pero ocupan una GPU completa en implementaciones estándar de Kubernetes. Esto provoca que los recursos de cómputo costosos permanezcan subutilizados.

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 alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el time-slicing, para maximizar el uso de recursos de cómputo.

Utilizando una pipeline de voz AI de grado producción como nuestro banco de pruebas, demostramos cómo combinar modelos para maximizar el retorno de inversión de infraestructura, manteniendo una fiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de GPU

Por defecto, el Plugin de Dispositivo 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.

Grandes modelos de lenguaje (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 lotes. Sin embargo, los modelos de soporte en una pipeline 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 computo de GPU frecuentemente se mantiene entre 0-10%.
• 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 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 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.
• Ventajas: Maximiza la utilización. Permite el “bursting” — si el Pod A está inactivo, el Pod B puede utilizar el 100% de los núcleos de cómputo 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 cómputo pesado en un pod puede limitar a los vecinos (el efecto “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 utilizando una arquitectura cliente-servidor. Esto proporciona más flexibilidad que MIG y es más resiliente a ciertos problemas como fugas de memoria en comparación con el time-slicing estándar.

MIG: El enfoque de particionamiento basado en hardware

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, estos se ven como dispositivos PCI separados.

Mientras que el time-slicing ofrece flexibilidad, MIG es preferido en entornos de producción donde se requiere un estricto aislamiento de errores a nivel de hardware para cumplir con los acuerdos de nivel de servicio 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 Voice AI esencial.

Configuración experimental: La pipeline de voz AI

Para validar estas estrategias en un escenario realista de producción, utilizamos una pipeline de voz a voz AI multimodal. Esta carga de trabajo es ideal para el benchmarking porque mezcla tres patrones de tráfico distintos.

Antes de optimizar, es crítico entender nuestro perfil de latencia. En nuestra 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 historiales de conversación crecientes aumentan la sobrecarga de procesamiento en comparación con cortos avisos. 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 manteniendo 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 del hardware y el retorno de 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 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 usó un clúster de Kubernetes, modelos desplegados utilizando 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 rendimiento en comparación con la optimización.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Time-slicing con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando 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 de replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. La GPU 0 está particionada físicamente en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento de hardware ofrece 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 ConfigMap de mig-configs personalizado para particionar la GPU en dos instancias de 3g.40gb.

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 AI generativa a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta a las solicitudes de proceso a medida que aumenta la concurrencia, entre la línea base (GPUs dedicadas), 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 actual req/s es la razón del cuello de botella del LLM en la pipeline.

Métricas de latencia media

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

Rendimiento comparado 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 AI 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 logró 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 alcanzar casi la plena capacidad del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo LLM pesadas.

1. Time-slicing (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 conmutaciones contextuales rápidas entre modelos en streaming y en ráfagas introduce una 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

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 168.2ms 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. Debido a que el usuario final no puede percibir un delta de 20ms 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 del benchmark, recomendamos la siguiente matriz de decisiones:

1. Utilizar MIG por escala de producción y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitud más altos (2 req/s) con solo una leve compensación en latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene 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 las prioridades.
2. Usar time-slicing 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 una pipeline completa en una huella de hardware mínima.

Comienza

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 plenamente tus cargas de trabajo ASR, TTS y LLM para un máximo retorno de inversión.