En entornos de producción de Kubernetes, las diferencias entre los requisitos de los modelos y el tamaño de las GPU generan 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. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre modelos, lo que provoca que los recursos de computación costosos permanezcan infrautilizados.
Resolver este problema no solo se trata de reducir costos, sino también de optimizar la densidad del clúster para atender 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 de computación.
Utilizando una pipeline de voz AI de grado de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el ROI de la infraestructura mientras mantenemos una confiabilidad 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. 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 pipeline de AI generativa, como modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una GPU. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:
- Baja utilización: La utilización de la computación en GPU a menudo se mantiene entre el 0-10%.
- Exceso en el clúster: Se necesitan más nodos para ejecutar la misma cantidad de pods.
- Fricción en la escalabilidad: Agregar 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 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 «estallidos»; si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos de computación de la GPU.
- Desventajas: No hay aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y una computación pesada en un pod puede afectar 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 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 división por tiempo estándar.
No obstante, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Mientras que 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 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 streaming (SM). Para el sistema operativo y Kubernetes, estas parecen ser 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: Tamaño rígido. Si una partición está inactiva, sus recursos de computación no pueden ser «tomados» por un vecino.
Si bien la división por tiempo ofrece flexibilidad, 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 pueda causar una falla en cascada a través de la GPU compartida, un requisito crítico para la AI de voz en misiones críticas.
Configuración experimental: La pipeline de voz AI
Para validar estas estrategias en un escenario realista de producción, utilizamos una pipeline de AI de voz a voz multimodal. Esta carga de trabajo es ideal para realizar pruebas porque mezcla tres patrones de tráfico distintos:
Antes de optimizar, es crucial 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. Este retraso puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar a los usuarios) o historias 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, 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. 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 variabilidad mientras libera recursos de 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 del LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos implementados utilizando NVIDIA NIM, y gestionados por el operador 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 contra el cual medir la optimización.
- Recurso:
nvidia.com/gpu: 1por pod.
- Experimento 2: División por tiempo con dos GPUs
- Configuración: LLM mantiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando 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 en ráfagas.
- 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 particionada físicamente en dos instancias aisladas.
- Objetivo: Probar si el aislamiento de hardware proporciona mejor estabilidad que la programación por 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, utilizamos la configuración
timeSlicingpara publicitar múltiples réplicas por GPU física. - Para el Experimento 3, aplicamos un
mig-configsConfigMap personalizado para particionar la GPU en dos instancias3g.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, sometimos el sistema a 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 las solicitudes de procesos a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), la 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 la pipeline.
Métricas de latencia promedio
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 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 AI 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 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 alcanzar casi la plena capacidad del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo pesadas de LLM.
- División 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 de ráfaga introduce una sobrecarga de programación. Aunque es 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 por tiempo 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 de la pipeline en la escala actual. Bajo carga pesada, el LLM representa la mayor parte del tiempo total de interacción. Como 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 de referencia, recomendamos la siguiente matriz de decisiones:
- Definir MIG para escalabilidad y estabilidad de producción
- El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo un pequeño compromiso de latencia.
- El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse otro.
- Mejor para entornos de producción donde el rendimiento y la confiabilidad del 100% son las prioridades.
- Utilizar la 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 una pipeline completa en una mínima huella 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 pipelines NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.
