Optimizan el uso de GPUs en entornos Kubernetes para mejorar el rendimiento de la IA

En entornos de producción con Kubernetes, la diferencia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. Modelos ligeros de reconocimiento automático de voz (ASR) o texto a voz (TTS) pueden requerir solo 10 GB de VRAM, ocupando sin embargo una GPU completa en implementaciones estándar. Esto se debe a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente entre GPUs, lo que resulta en recursos de computación costosos que a menudo permanecen 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 la técnica de time-slicing para utilizar completamente los recursos computacionales.

Utilizando un pipeline de voz AI de grado de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de inversión en la infraestructura mientras mantenemos 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 GPUs 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 de primera token (TTFT) y un alto rendimiento por lotes. Sin embargo, los modelos de soporte en un pipeline de AI generativa, como los 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 cómputo de GPU a menudo ronda entre el 0-10%.
• Inflación 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 de particionamiento de GPU respaldadas 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 luego 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 utilizar el 100% de los núcleos de cómputo de la GPU.
• Contras: sin aislamiento de hardware. Un desbordamiento de memoria en un pod puede afectar el contexto de ejecución compartido, y un cómputo intenso en un pod puede limitar a los vecinos (el efecto del “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 de servidor-cliente. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas como fugas de memoria en comparación con el time-slicing estándar.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Mientras que el MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error fatal en la ejecución o un acceso de memoria ilegal en un proceso se propagará por el contexto compartido, lo que podría llevar a un reinicio de la GPU que afecta a otros procesos que comparten la tarjeta.

MIG: El enfoque de hardware para el particionamiento

El MIG partitiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de transmisión (SMs). Para el sistema operativo y Kubernetes, estas parecen dispositivos PCI separados.

• Mecanismo: aislamiento a nivel de hardware.
• Pros: estricta calidad de servicio (QoS). 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.

Aunque el time-slicing ofrece flexibilidad, el 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 (SLAs) empresariales. El particionamiento de hardware asegura que un error de memoria en un modelo no pueda causar una falla en cascada en la GPU compartida, un requisito crítico para AI de voz en misiones.

Configuración experimental: El pipeline de voz AI

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

Antes de optimizar, es crítico 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. Este retraso puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar 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, extendiendo el cuello de botella que los modelos de soporte deben ocultar.

Consolidar modelos de soporte como ASR y TTS ofrece 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 la eficiencia de la infraestructura 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, liberando 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 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 con el que 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 utilizando 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 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 se particiona físicamente 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 ConfigMap mig-configs 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 el rendimiento de inferencia de AI generativa en términos de solicitudes por segundo por GPU a través de patrones de tráfico ligero y pesado. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia, en comparación con la línea base (GPUs dedicadas), el time-slicing (compartición de software) y el 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

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

Rendimiento comparado con latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, permitiendo al clúster soportar más flujos de AI simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica en el rendimiento entre las dos estrategias de particionamiento:

1. MIG (hardware): Máxima 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, el MIG elimina la contención de recursos. Las organizaciones pueden lograr casi toda la capacidad del sistema mientras liberan efectivamente una GPU completa para otros trabajos pesados 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, logrando ~0.76 req/s por GPU. Sin embargo, la gestión de conmutaciones de contexto rápidas entre modelos en streaming y de ráfaga introduce sobrecarga de programación. Aunque 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

El time-slicing 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 del pipeline 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 una métrica de producción más valiosa.

Recomendaciones para particionamiento

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

1. Definir MIG para escalas de producción y estabilidad
   • El Experimento 3 mostró que el MIG maneja volúmenes de solicitud más altos (2 req/s) con solo una pequeña compensación en la latencia.
   • El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso colapse el otro.
   • Mejor para entornos de producción donde la capacidad de respuesta y la fiabilidad del 100% son prioridades.
2. Utilizar el 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. 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 aprovechar al máximo tus cargas de trabajo ASR, TTS y LLM para el máximo retorno de inversión.