Настройка мониторинга GPU-утилизации и VRAM с DCGM

Проблема: как не терять деньги на GPU?

Представьте: вы запустили fine-tuning LLM на кластере из 8 A100, через 6 часов — OOM, потеряли 2000 итераций. Или GPU загружены на 2%, а вы платите за аренду как за полную мощность. Без мониторинга это лотерея. Знакомая картина: запустили обучение LLaMA-3 на 8x A100, но через час — OOM и потерянный чекпоинт. Наш опыт на 30+ проектах показывает: правильный мониторинг GPU с DCGM Exporter, Prometheus и Grafana снижает простои на 70% и экономит до 40% затрат на инфраструктуру. Контроль VRAM, утилизации и Tensor Cores — залог стабильной работы.

Мы настраиваем мониторинг GPU под ключ за 2–3 дня. Оценим ваш проект бесплатно — просто напишите.

Почему DCGM Exporter — лучший выбор для NVIDIA GPU?

DCGM (Data Center GPU Manager) — официальный инструмент от NVIDIA. В отличие от nvidia-smi, он отдаёт профильные метрики Tensor Cores, NVLink и точную загрузку SM. Сравнение:

DCGM даёт в 10 раз больше метрик и нативно экспортирует их в Prometheus. Это подтверждено документацией NVIDIA.

Какие метрики критичны для AI-нагрузок?

Для AI-инженеров важны не только базовая утилизация и VRAM. Тензорные ядра (Tensor Cores) — ключевой фактор производительности при обучении и инференсе. Метрика DCGM_FI_PROF_PIPE_TENSOR_ACTIVE показывает, насколько эффективно используются эти блоки. Если она низкая при высокой загрузке GPU — скорее всего, упираетесь в память или шину. Также критична метрика использования NVLink: при распределённом обучении узкое место часто именно в межсоединениях.

Типичные проблемы и их решения

Как мы настраиваем мониторинг под ключ

Шаг 1. Развёртывание DCGM Exporter

Устанавливаем DCGM Exporter через Docker на каждом узле с GPU:

docker run -d --gpus all --cap-add SYS_ADMIN -p 9400:9400 --name dcgm-exporter nvcr.io/nvidia/k8s/dcgm-exporter:3.3.5-3.4.0-ubuntu22.04

Для кластеров используем docker-compose с дополнительными настройками collector. Мы подбираем версию под вашу ОС и драйверы NVIDIA.

Шаг 2. Конфигурация Prometheus

Создаём цель для сбора метрик DCGM и правил алертинга:

# prometheus.yml
global:
  scrape_interval: 15s
scrape_configs:
  - job_name: dcgm
    static_configs:
      - targets:
          - gpu-server-1:9400
          - gpu-server-2:9400
rule_files:
  - "gpu_alerts.yml"

Шаг 3. Настройка алертов

Определяем ключевые алерты: OOM (VRAM >95%), перегрев (>85°C), низкая утилизация (<20%) и недоступность сервиса.

# gpu_alerts.yml
groups:
  - name: gpu_alerts
    rules:
      - alert: GPUMemoryNearFull
        expr: (DCGM_FI_DEV_FB_USED / DCGM_FI_DEV_FB_TOTAL) > 0.95
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "GPU {{ $labels.gpu }} на {{ $labels.instance }}: VRAM > 95%"
      - alert: GPUUtilizationLow
        expr: avg_over_time(DCGM_FI_DEV_GPU_UTIL[30m]) < 20
        for: 1h
        labels:
          severity: info
        annotations:
          summary: "Низкая утилизация GPU на {{ $labels.instance }}"

Как настроить алерт на OOM по VRAM?

Добавьте правило, которое проверяет, что VRAM занята больше чем на 95% в течение 5 минут. При срабатывании вы получите уведомление в Telegram или Slack. Дополнительно можно настроить алерт на скорость роста памяти: если за 2 минуты она увеличилась на 10% — это сигнал к OOM. Мы включаем такие правила в базовую конфигурацию.

Шаг 4. Дашборд Grafana

Строим панели для метрик утилизации, VRAM, Tensor Cores и температуры. Пример панели VRAM:

{
  "title": "VRAM Usage %",
  "type": "gauge",
  "targets": [{
    "expr": "DCGM_FI_DEV_FB_USED / DCGM_FI_DEV_FB_TOTAL * 100",
    "legendFormat": "{{instance}} GPU{{gpu}}"
  }],
  "fieldConfig": {
    "thresholds": {
      "steps": [
        {"color": "green", "value": 0},
        {"color": "yellow", "value": 80},
        {"color": "red", "value": 95}
      ]
    }
  }
}

Мы создаём отдельные дашборды для обучения (LLM, CV) и инференса. В них добавляем метрики Tensor Core utilization, NVLink throughput и latency p99 для инференса. Все дашборды адаптируются под ваши модели.

Шаг 5. Документация и обучение

После развёртывания передаём: инструкцию по эксплуатации, схему алертов, доступ к дашбордам и короткое обучение для DevOps/ML-инженеров.

Что входит в работу

• Установка и настройка DCGM Exporter на каждом GPU-узле
• Конфигурация Prometheus и правил алертинга (Telegram/Slack)
• Создание дашбордов Grafana под ваши задачи (обучение, инференс)
• Интеграция с существующим стеком мониторинга
• Документация и обучение команды
• Поддержка 1 месяц после запуска

Наш опыт и гарантии

Многолетний опыт на рынке MLOps. 30+ проектов по GPU-инфраструктуре для AI-стартапов и enterprise. Сертифицированные инженеры NVIDIA. Гарантируем стабильную работу мониторинга 24/7. Свяжитесь с нами для настройки мониторинга — мы оценим вашу инфраструктуру и предложим оптимальное решение.

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.