Optimización del uso de GPU en entornos Kubernetes para mejorar la eficiencia de modelos AI

En los entornos de producción de Kubernetes, las diferencias entre los requisitos de los modelos y el tamaño de las GPU generan ineficiencias. Por ejemplo, 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 ellas.

Resolver este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes utilizando el mismo hardware de alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente la NVIDIA Multi-Instance GPU (MIG) y el time-slicing, para utilizar completamente los recursos de computación.

Utilizando una tubería de IA de voz de grado de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de inversión 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 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 (LLM) como NVIDIA Nemotron, Llama 3 o Qwen 7B/8B requieren un cálculo 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 tubería 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 GPU dedicadas resulta en:

• Baja utilización: la utilización de la GPU a menudo ronda entre 0-10%.
• Exceso de nodos: se necesitan más nodos para ejecutar la misma cantidad de pods.
• Fricción de escalado: 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 NVIDIA GPU Operator.

Particionamiento basado en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos de 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.
• Pros: Maximiza la utilización. Permite el “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos de computación de la GPU.
• Contras: Sin aislamiento de hardware. Un desbordamiento de memoria en un pod puede afectar el contexto de ejecución compartido, y un cálculo pesado en un pod puede limitar a los vecinos (el efecto del “vecino ruidoso”).

Además del time-slicing, el Servicio de Múltiples Procesos (MPS) de NVIDIA 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 resistente a ciertos problemas como fugas de memoria en comparación con el time-slicing estándar.

No obstante, 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 a memoria ilegal en un proceso se propagará a través del contexto compartido, lo que 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

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 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 computación no pueden ser “prestados” por un vecino.

Aunque el time-slicing ofrece flexibilidad, MIG es preferido en entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los acuerdos de nivel de servicio (SLA) empresariales. El particionamiento de hardware asegura que un error de memoria en un modelo no cause una falla en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en situaciones críticas.

Configuración experimental: La tubería de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una tubería de IA 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 nuestra tubería 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 el entrenamiento de usuarios) o el crecimiento de historias de conversación aumentan la sobrecarga de procesamiento en comparación con solicitudes 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. 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 cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variabilidad mientras libera capacidad de computación 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 de LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados utilizando NVIDIA NIM, y administrados 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 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 del “vecino ruidoso” entre ASR en streaming y TTS intermitente.
  • 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 proporciona mejor estabilidad que la programación por 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 mig-configs ConfigMap personalizado para particionar la GPU en dos instancias 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 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, tanto en la línea base (GPUs dedicadas), como en el time-slicing (compartición por 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 en el LLM en la tubería.

Métricas de latencia media

El siguiente análisis evalúa cómo 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 IA 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 alcanzó la mayor productividad por unidad, llegando a ~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 toda la capacidad del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo pesadas de LLM.

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 del controlador CUDA de los rápidos cambios de contexto entre modelos de streaming y de ráfagas introduce sobrecargas de programación. Aunque es funcional, este enfoque basado en software no alcanza la eficiencia total de rendimiento proporcionada por el particionamiento de hardware.

Latencia y el factor de ráfaga

El time-slicing maneja tareas individuales de ráfagas 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 tubería 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 un metric valioso en producción.

Recomendaciones para el particionamiento

Basándonos en los datos de referencia, recomendamos la siguiente matriz de decisiones:

1. Default a MIG para escala y estabilidad de producción
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo un pequeño compromiso en 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 del 100% son prioridades.
2. Utilizar 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 un pipeline completo en una huella de hardware mínima.

Comienza

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