Проектирование и настройка GPU-кластера для ML (NVIDIA A100/H100)

GPU простаивает из-за узкого места в сети или неправильно сконфигурированных драйверов — типичная ситуация, когда кластер из 8 A100 выдаёт лишь 30% утилизации. Причина чаще всего лежит не в самих картах, а в том, как настроено окружение: медленный Interconnect, неправильные параметры NCCL, неоптимизированное хранилище. Мы за 5+ лет настроили более 20 GPU-кластеров и знаем, как выжать максимум из каждого ампер-часа. Подход простой: убираем узкие места по всей цепочке — от драйверов до планировщика задач.

Почему оборудование — только половина успеха?

Даже топовые карты не дадут прироста, если остальная система не сбалансирована. NVIDIA A100 (80GB SXM) с NVLink (600 GB/s внутри узла) и H100 (80GB SXM5) с HBM3 (3.35 TB/s) — мощные инструменты, но они требуют соответствующей инфраструктуры. Без InfiniBand и параллельной файловой системы (GPFS, Lustre) вы получите утилизацию GPU 30–50% вместо 85%+. Мы проектируем кластеры с учётом ваших рабочих нагрузок: для LLM с tensor parallelism критична скорость NVLink, для data parallelism — пропускная способность InfiniBand между узлами.

Как проверить производительность кластера после настройки?

После настройки обязательно проводим тесты AllReduce с помощью nccl-tests. Для 8x A100 ожидаемая пропускная способность — >280 GB/s при размере сообщения 1GB. Если значение ниже — ищем узкое место: NUMA affinity, версию драйвера, конфигурацию коммутатора. Также запускаем benchmark training для вашей модели (например, GPT-2 или BERT) и сравниваем throughput с ожидаемым. По данным NVIDIA, правильная настройка NUMA может дать прирост до 20%.

Процесс настройки GPU-кластера

1. Аудит текущей инфраструктуры и требований — объём датасетов, тип моделей, ожидаемая частота обучения.
2. Проектирование — выбор карт, количество узлов, тип Interconnect, файловая система.
3. Установка драйверов и CUDA — production-версии, настройка persistence mode, оптимизация power limit.
4. Настройка NCCL — fine-tuning параметров, тестирование AllReduce bandwidth (цель >280 GB/s на 8x A100).
5. Интеграция с планировщиком — Slurm для batch-обучения или Kubernetes + GPU Operator для контейнеризации.
6. Мониторинг и оптимизация — DCGM, Prometheus, дашборды с ключевыми метриками.
7. Документация и обучение команды — как запускать задачи, диагностировать проблемы.

Пример: установка драйверов и CUDA

# Ubuntu 22.04
apt install linux-headers-$(uname -r) nvidia-driver-535
wget https://developer.download.nvidia.com/compute/cuda/12.3.0/local_installers/cuda_12.3.0_545.23.06_linux.run
sh cuda_12.3.0_545.23.06_linux.run --silent --toolkit
# cuDNN
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
cp cuda/include/cudnn*.h /usr/local/cuda/include
cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
ldconfig
nvidia-smi; nvcc --version

Настройка NCCL и тестирование interconnect

apt install libnccl2 libnccl-dev
git clone https://github.com/NVIDIA/nccl-tests
cd nccl-tests && make
./build/all_reduce_perf -b 1G -e 4G -f 2 -g 8
# Ожидается: 1GB ~280 GB/s, 4GB ~300 GB/s (algbw)

Выбор Interconnect: InfiniBand против Ethernet

Для multi-node обучения с tensor parallelism InfiniBand — обязательное требование. Ethernet допустим только при малом числе узлов (2–4) или для inference.

Сравнение конфигураций: одноузловой vs multi-node

Детали настройки NCCL

NCCL использует алгоритмы Tree, Ring и NVLS. Для H100 рекомендуется включить NVLS (NVLink Shared) для ускорения all-reduce. Параметр NCCL_ALGO=NVLS может дать прирост 10-15%. Также важен NCCL_IB_HCA для указания InfiniBand интерфейсов. Более подробно о NCCL можно прочитать в официальном репозитории.

Оркестрация: Slurm или Kubernetes?

Slurm — стандарт HPC, лучше для долгих batch-задач с фиксированным числом GPU. Kubernetes + GPU Operator — для контейнеризации и динамического выделения ресурсов. Мы помогаем выбрать подходящий вариант и настроить gang scheduling, чтобы все GPU-поды запускались одновременно.

Установка GPU Operator (Helm)

helm repo add nvidia https://helm.ngc.nvidia.com/nvidia
helm install gpu-operator nvidia/gpu-operator --namespace gpu-operator --create-namespace --set driver.enabled=true --set toolkit.enabled=true

Пример job для Slurm

#!/bin/bash
#SBATCH --nodes=4
#SBATCH --ntasks-per-node=8
#SBATCH --gres=gpu:8
#SBATCH --partition=a100
#SBATCH --time=48:00:00
srun python train.py --nproc_per_node=8 --nnodes=4

Мониторинг: DCGM Exporter и метрики

helm install dcgm-exporter nvidia/dcgm-exporter

Ключевые метрики: GPU utilisation (>85%), memory copy utilisation, NVLink bandwidth, power usage.

Типичные ошибки при настройке

• Пропуск настройки NUMA affinity — приводит к потере 10–20% производительности.
• Использование одного раздела файловой системы для датасетов и чекпоинтов — узкое место IO.
• Отсутствие тестов AllReduce между узлами — часто выявляется только в продакшене.
• Неправильные параметры планировщика (timeout, backfill) — GPU простаивают.

Результаты и гарантии

После настройки кластера вы получаете:

• Утилизацию GPU не ниже 85% при стандартных нагрузках.
• Scaling efficiency 85–90% для multi-node обучения.
• Документированную процедуру развёртывания и мониторинга.

Мы гарантируем, что настроенный кластер будет работать стабильно, а при возникновении проблем — окажем поддержку в рамках соглашения. Оценим ваш проект за 1–2 дня. Свяжитесь для консультации и получите предварительную оценку. Закажите настройку и забудьте о простоях GPU.

MLOps: инфраструктура для обучения, деплоя и мониторинга ML-моделей

Модель обучена, метрики — F1 0.94 на валидации. Через три месяца в продакшене качество падает на 12%. Никто не знает, когда именно — нет мониторинга. Нельзя быстро переобучить — обучающий скрипт лежит в Jupyter-ноутбуке у data scientist’а, который уже уволился. Данные для ретрейна собирают руками из трёх разрозненных систем. Примерно половина проектов приходят к нам с этой болью. Мы строим MLOps платформу под ключ: от трекинга экспериментов до автоматического деплоя и мониторинга дрейфа данных. Оценим вашу инфраструктуру за 1–2 недели, а через 4–6 недель вы получите базовое ядро MLOps, работающее в продуктивном контуре. Наша команда — 10+ лет опыта в ML-инфраструктуре, более 50 внедрений.

Experiment tracking и воспроизводимость

Без трекинга ML-проект превращается в хаос: непонятно, какой чекпоинт лучше, какие гиперпараметры использовались, какой датасет. Воспроизвести результат через месяц — квест.

MLflow — open source стандарт для трекинга. Логирует параметры, метрики, артефакты (модели, графики) и код. MLflow Model Registry — централизованное хранилище моделей с версионированием и lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving или интеграция с внешними системами.

Типичная инициализация в коде:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Это минимум. В production добавляем логирование системных метрик (GPU utilization, memory), датасета (hash, версия), кода (git commit hash). Weights & Biases — более богатый UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без внешних зависимостей.

DVC (Data Version Control) — версионирование данных и моделей поверх git. Данные хранятся в S3/GCS/Azure Blob, в git — только метаданные (хэши). dvc repro воспроизводит весь пайплайн от сырых данных до метрик.

Как обеспечить воспроизводимость обучения? Фиксируйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) и записывайте их в метаданные эксперимента. Без этого дебаггинг нерегулярных результатов — боль. Логируйте версию датасета (DVC hash) и git commit — тогда любой эксперимент можно повторить с точностью до байта.

Оркестрация пайплайнов: Kubeflow, Airflow, Prefect

Когда нужен оркестратор пайплайнов? Скрипт обучения на 100 строк в cron — нормально для простых задач. Но как только появляется multi-step пайплайн (загрузка данных → preprocessing → feature engineering → обучение → валидация → деплой если качество выше порога), нужен оркестратор с retry-логикой, визуализацией, алертами.

Kubeflow — Kubernetes-native оркестратор для ML (см. Wikipedia). Каждый шаг — Docker-контейнер. Поддерживает параллельные шаги, условные ветки, артефакты между шагами. Интегрируется с Katib (AutoML), KServe (serving), Feast (feature store).

Apache Airflow — более общий DAG-оркестратор. Широкая экосистема операторов (S3, Spark, DBT, Kubernetes). Проще развернуть, если уже есть Airflow в компании.

Prefect / Metaflow — меньше boilerplate. Prefect 2.x с декораторами @flow и @task — быстрый старт для небольших команд.

Типичная архитектура обучающего пайплайна на Kubeflow:

1. Data ingestion component — забирает данные из S3/БД, валидирует схему через Great Expectations
2. Preprocessing component — трансформации, normalization, train/val/test split
3. Training component — обучение на GPU, логирование в MLflow
4. Evaluation component — вычисление метрик, сравнение с baseline в Model Registry
5. Conditional deployment — деплой только если новая модель лучше текущей на >2% F1

Каждый component — отдельный Docker-образ. Пайплайн версионируется в git. Запуск по расписанию (ретрейнинг раз в неделю на новых данных) или вручную.

Model Registry и управление жизненным циклом

Model Registry — не просто хранилище чекпоинтов. Это централизованная система, которая знает:

• Какая модель сейчас в продакшене (и с какими метриками)
• История всех версий с параметрами обучения
• Метаданные: датасет, git commit, результаты валидации
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Продвижение модели через стейджи: автоматически переводим модель в Staging после успешного прохождения eval, затем ручное или автоматическое (при A/B тесте) продвижение в Production. Rollback — переключение на предыдущую Production-версию за секунды.

Serving: от FastAPI до Triton Inference Server

Простой случай. FastAPI + PyTorch/ONNX на одном сервере — 80% production ML deployments именно так. Достаточно для большинства задач с нагрузкой до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

Triton Inference Server — production-стандарт для высоких нагрузок (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Поддерживает TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving с autoscaling, canary deployments, A/B testing из коробки. Scale-to-zero для неактивных моделей — экономия на инфраструктуре до 40% (более 1.2 млн рублей в год для проекта с 10 моделями).

Мониторинг: data drift, model drift, инфраструктурные метрики

Мониторинг — то, что обычно делают в последнюю очередь и о чём жалеют в первую. Три уровня.

Инфраструктурный мониторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold или error rate > 1%.

Data drift мониторинг. Распределение входных данных меняется со временем. Детектируем через PSI (Population Stability Index) для числовых признаков: PSI > 0.2 — сильный дрейф. Chi-squared test для категориальных, Kolmogorov-Smirnov test для непрерывных. Evidently AI — open source библиотека с готовыми дрейф-тестами.

Model drift мониторинг. Если есть ground truth с задержкой (например, через неделю знаем конверсию) — мониторим реальные метрики. Если нет — surrogate метрики: распределение prediction scores, доля confident predictions.

Alerting. Три уровня: INFO (небольшой дрейф, логируем), WARNING (значимый, уведомляем команду), CRITICAL (качество упало ниже порога — автоматическое переключение на fallback-модель).

Почему важен мониторинг дрейфа данных? Без него вы узнаёте о деградации модели только по жалобам пользователей или звенящему SLA. Алерт о дрейфе позволяет переобучить модель заранее, до того как ошибки начнут приносить убытки. В одном из наших проектов мониторинг PSI выявил дрейф через 2 дня после изменения источника данных — это спасло кампанию с бюджетами на 2 млн рублей.

Feature Store

Feature Store решает проблему training-serving skew. Если preprocessing во время обучения и инференса реализован в двух разных местах — расхождение неизбежно.

Когда нужен Feature Store?

• Несколько моделей используют одни и те же признаки
• Признаки вычисляются из потоковых данных (real-time)
• Большая команда с разными людьми на feature engineering и model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для обучения, онлайн store (Redis, DynamoDB) для low-latency инференса. Feature definitions как код, materialization job синхронизирует офлайн → онлайн.

Tecton (коммерческий), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варианты с меньшим ops overhead.

CI/CD для ML

ML CI/CD — обычный CI/CD плюс специфичные ML-шаги.

ML-специфичные checks в CI:

• Проверка воспроизводимости: запустить обучение с фиксированным seed, результат должен совпадать
• Data validation: Great Expectations или Pandera на schema/distribution checks
• Model performance check: автоматический eval на holdout, блокировать merge если деградация > порога
• Latency regression test: inference должен укладываться в SLA

GitOps для деплоя. Merge в main → CI запускает обучение → eval → если проходит → автоматический деплой в Staging → smoke tests → ручное продвижение в Production или автоматическое при успешном canary.

Инструменты: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплоя на Kubernetes.

Что входит в разработку MLOps-платформы

Мы предоставляем полный цикл работ, документацию и обучение команды.

Итоговый срок от аудита до полноценной MLOps-платформы: 3–5 месяцев. Также возможен поэтапный запуск: базовый уровень (трекинг + serving) за 4–6 недель.

Стоимость рассчитывается индивидуально под объём данных, количество моделей и требования к инфраструктуре. Закажите аудит MLOps-инфраструктуры — получите roadmap за 1–2 недели. Свяжитесь с нами для оценки вашего проекта — мы пришлём предварительный расчёт за 2 рабочих дня.

Обратите внимание: гарантия на архитектурные решения — 12 месяцев. Предоставляем сертификаты интеграции с основными облачными провайдерами (AWS, GCP, Azure). За время работы мы не потеряли ни одного клиента после первого внедрения — опыт 50+ успешных MLOps-проектов говорит сам за себя. Получите консультацию по построению MLOps платформы уже сегодня.