Optimización del uso de GPUs en entornos Kubernetes para aumentar la eficiencia de IA

En entornos productivos de Kubernetes, la discrepancia entre los requerimientos de los modelos y el tamaño de las GPU genera ineficiencias. Modelos ligeros de reconocimiento de voz automático (ASR) o de 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 GPU y no puede compartir fácilmente los recursos entre modelos.

Resolver esta situación 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 time-slicing, para utilizar completamente los recursos de cómputo.

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

Abordando la fragmentación de recursos de GPU

Por defecto, el NVIDIA Device Plugin 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 cómputo dedicado para mantener un bajo tiempo de primera token (TTFT) y un alto rendimiento por lote. Sin embargo, los modelos de soporte en una pipeline de IA generativa, como los modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una tarjeta.

• Utilización baja: la utilización del cómputo de GPU a menudo ronda entre el 0-10%.
• Exceso de clúster: se necesita aprovisionar más nodos para ejecutar el mismo número 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 GPU.

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 NVIDIA CUDA compartan una GPU mediante la interleaving de ejecución, funcionando 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 “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos de cómputo de la GPU.
• Contras: sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y un cómputo intensivo en un pod puede restringir a los vecinos (el efecto del “vecino ruidoso”).

Además del time-slicing, el NVIDIA Multi-Process Service (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU concurrentemente utilizando una arquitectura de servidor-cliente, proporcionando más flexibilidad que MIG y siendo más resiliente 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 aisladas, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error fatal de ejecución o acceso ilegal a la memoria 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 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: tamaño rígido. Si una partición está inactiva, sus recursos de cómputo no pueden ser “tomados prestados” por un vecino.

Mientras que 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 pueda causar una falla en cascada a través de la GPU compartida, un requisito crítico para Voice AI de misión crítica.

Configuración experimental: la pipeline de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una pipeline de IA de voz multimodal. Esta carga de trabajo es ideal para el benchmarking, ya que 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 capacitación de usuarios) o historias de conversación crecientes 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 una ruta estratégica para maximizar la utilización del hardware mientras se mantiene la capacidad de respuesta de punta a punta. Aunque la consolidación puede introducir un ligero ajuste de latencia de 100-200 ms, las ganancias en el rendimiento de la infraestructura y en el retorno de inversión son significativas.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una única GPU preserva la latencia y la variabilidad, liberando cómputo para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para las pruebas. En cada ronda, utilizamos tres muestras de voz, esperando a 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 NVIDIA NIM Operator. El nodo de trabajo tenía acceso a tres NVIDIA A100 Tensor Core GPUs.

• Experimento 1: Línea base con tres GPUs
  • Configuración: una GPU dedicada para cada modelo (LLM, ASR, TTS).
  • Objetivo: establecer el “patrón de oro” para latencia y rendimiento contra el cual medir 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 usando time-slicing a nivel de software.
  • Objetivo: probar si la programación dinámica puede manejar la contención del “vecino ruidoso” entre el ASR en streaming y el 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 físicamente particionada 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 de 3g.40gb.

(Para los comandos kubectl y 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 leve: 5 usuarios concurrentes simulando aproximadamente 135 segundos de interacción sostenida.
• Carga pesada: 50 usuarios concurrentes simulando aproximadamente 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 ligeros y pesados. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, en comparación con la línea base (GPUs dedicadas), el time-slicing (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tuvieron 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 pipeline.

Métricas de latencia media

El análisis siguiente 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 latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en una pipeline optimizada, 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 logró la mayor productividad por unidad, alcanzando aproximadamente 1.00 req/s por GPU. Al proporcionar rutas de hardware dedicadas para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden lograr casi la capacidad total del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo intensivas de LLM.

1. Time-slicing (software): mayor densidad con sobrecarga

El Experimento 2 demostró que la compartición a nivel de software también puede mejorar la densidad por GPU en comparación con la línea base, alcanzando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión del controlador CUDA de cambios de contexto rápidos entre modelos de streaming y bursty 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 factor de burst

El time-slicing 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 de la 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 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 escalas de producción y estabilidad
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (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 cierre el otro.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad al 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 pruebas de concepto para ejecutar una pipeline completa en un mínimo de recursos hardware.

Empieza

1. Experimenta más: prueba el repositorio.
2. Implementa el 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. Escala con NIM: despliega pipelines NVIDIA NIM para maximizar el rendimiento de tus cargas de trabajo ASR, TTS y LLM para un retorno de inversión máximo.