Развёртывание LLM на выделенном GPU-сервере под ключ

Команда стартапа из трёх человек развернула Llama-3-70B на одиночном A100 80GB — и модель падала с CUDA OOM при каждом втором запросе. Проблема была не в GPU, а в конфигурации: vLLM выделил 0.95 GPU-памяти под KV-cache, не оставив запаса на вариации длины контекста. Мы переключили gpu-memory-utilization на 0.85 и включили swapping через CPU — падения прекратились. Такие ситуации — наша ежедневная работа. За последние несколько лет мы развернули более 30 production-систем инференса Large language model на выделенных GPU-серверах (on-premise или bare metal) и гарантируем стабильную работу даже при пиковых нагрузках.

Выделенный сервер даёт предсказуемую производительность, отсутствие cold start и полный контроль над данными. Это оптимальный выбор для высоконагруженных сценариев с требованиями к data residency или кастомным pipelines.

Проблемы, которые мы решаем

Ошибка в расчёте VRAM. Например, Llama-3-70B в BF16 требует 140 GB — не каждый сервер потянет. Мы используем quantization (AWQ/GPTQ) и tensor parallelism, чтобы оптимально утилизировать ресурсы. Mixtral-8x7B (MoE) активирует только 13B параметров, но требует 90 GB VRAM — легко умещается на 2×A100 80GB после 4-битного квантования.

Падение сервиса при OOM. На длинных контекстах (>16k токенов) vLLM может вылететь. Решение — настройка max-model-len и gpu-memory-utilization в паре с systemd-сервисом, который автоматически перезапускает процесс при сбое. Дополнительно ставим watchdog-скрипт, проверяющий health-эндпоинт.

Простой при обновлении модели. Без blue-green деплоя каждое обновление — downtime. Мы запускаем новую версию на другом порту, тестируем, затем переключаем nginx upstream — downtime отсутствует.

Как выбрать GPU под вашу модель?

Выбор GPU зависит от размера модели и требуемого latency. Вот таблица рекомендаций для популярных моделей:

Квантование в INT4/INT8 снижает требования к VRAM в 3-4 раза, что позволяет уместить 70B модель на 2×A100.

Почему vLLM чаще выбирают для production?

vLLM использует PagedAttention — эффективное управление KV-cache, что даёт на 20-50% выше throughput при малых batch размерах. На нашем бенчмарке Llama-3-8B с AWQ-квантованием: vLLM выдал 1200 токенов/сек против 800 у TGI (batch=32). Однако TGI лучше справляется с длинным контекстом (≥32k токенов) за счёт более агрессивного tensor parallelism.

Если ваш сценарий — онлайн-чат с короткими запросами, выбирайте vLLM. Если нужно обрабатывать многостраничные документы — TGI.

Что делать при OOM?

При OOM первым делом проверьте gpu-memory-utilization — часто он установлен слишком высоко. Рекомендуемое значение — 0.85-0.90, остальное под CPU swap. Также настройте max-model-len пропорционально средней длине контекста. В systemd добавьте Restart=always и скрипт health-проверки — сервис перезапустится автоматически.

Процесс развёртывания и обновления

Этапы

1. Аналитика — оценка модели, ожидаемого RPS и latency SLA. Подбор GPU и квантования.
2. Проектирование — конфигурация tensor parallel, batch size, quantization, выбор фреймворка.
3. Реализация — установка CUDA, драйверов, деплой vLLM/TGI как systemd-сервиса с watchdog.
4. Тестирование — нагрузочное тестирование (locust/vegeta), замер p99 latency, проверка на long-tail.
5. Деплой — nginx reverse proxy с rate limiting, SSL, мониторинг Prometheus + Grafana.
6. Документация — описание эндпоинтов, конфигов, процедуры обновления.

Обновление без downtime

Классический blue-green: запускаем новую версию на порту 8001, тестируем её, переключаем nginx upstream с порта 8000 на 8001, затем останавливаем старый сервис. Весь процесс занимает ~30 секунд, при правильной настройке keepalive пользователи не замечают переключения.

Что входит в работу

• Подбор GPU и конфигурация сервера.
• Установка CUDA, драйверов (если нужно — Docker).
• Деплой vLLM/TGI с systemd + watchdog.
• Nginx reverse proxy с rate limiting и SSL.
• Мониторинг (Prometheus + Grafana — дашборды GPU, latency, throughput).
• Обновление модели без downtime.
• Документация и обучение команды.
• Поддержка 30 дней после сдачи.

Сроки: от 2 до 7 дней в зависимости от сложности (наличие GPU, количество моделей, HA). Стоимость рассчитывается индивидуально — свяжитесь с нами для оценки вашего проекта, это займёт 1 рабочий день.

Настройка сервера и инфраструктура

Конфигурация сервера

Перед началом проверьте наличие GPU и версию драйверов:

nvidia-smi
nvcc --version

Установите CUDA 12.1 и cuDNN. На Ubuntu 22.04:

apt-get install -y nvidia-driver-545
apt-get install -y cuda-toolkit-12-1

Проверьте PyTorch: python3 -c "import torch; print(torch.cuda.get_device_name(0))"

Деплой vLLM как systemd-сервиса

# /etc/systemd/system/vllm-llama.service
[Unit]
Description=vLLM LLaMA-3-8B Inference Server
After=network.target

[Service]
Type=simple
User=mlserving
WorkingDirectory=/opt/vllm
Environment="CUDA_VISIBLE_DEVICES=0,1"
Environment="HF_TOKEN=hf_xxx"
ExecStart=/opt/vllm/venv/bin/python -m vllm.entrypoints.openai.api_server \
    --model /data/models/llama-3-8b-instruct \
    --tensor-parallel-size 2 \
    --max-model-len 8192 \
    --max-num-seqs 128 \
    --gpu-memory-utilization 0.92 \
    --host 127.0.0.1 \
    --port 8000 \
    --log-level info
Restart=always
RestartSec=5
StandardOutput=journal
StandardError=journal

[Install]
WantedBy=multi-user.target

Nginx reverse proxy

# /etc/nginx/sites-available/vllm
upstream vllm_backend {
    server 127.0.0.1:8000;
    keepalive 100;
}

limit_req_zone $binary_remote_addr zone=api_limit:10m rate=60r/m;

server {
    listen 443 ssl http2;
    server_name llm.company.internal;
    ssl_certificate /etc/nginx/ssl/cert.pem;
    ssl_certificate_key /etc/nginx/ssl/key.pem;

    location /v1/ {
        limit_req zone=api_limit burst=20 nodelay;
        proxy_pass http://vllm_backend;
        proxy_http_version 1.1;
        proxy_set_header Connection "";
        proxy_read_timeout 300s;
        proxy_buffering off;
        chunked_transfer_encoding on;
    }

    location /health {
        proxy_pass http://vllm_backend/health;
    }
}

Мониторинг и автоматический перезапуск

Используем Prometheus и Grafana с nvidia_gpu_exporter для отслеживания температуры GPU, VRAM utilization и throughput. Алерты: температура > 85°C, VRAM > 95%, сервис недоступен > 30 секунд.

systemd Restart=always + watchdog скрипт, проверяющий health-эндпоинт каждые 30 секунд. При трёх неудачных попытках — рестарт сервиса.

#!/bin/bash
while true; do
    if ! curl -sf http://127.0.0.1:8000/health > /dev/null; then
        systemctl restart vllm-llama
        echo "$(date) - vLLM restarted" >> /var/log/vllm-watchdog.log
    fi
    sleep 30
done

Опыт наших инженеров — более 5 лет в ML/infra, более 30 развёрнутых инференс-систем. Мы сопровождаем каждый проект гарантией на конфигурацию и поддержкой после деплоя. Если нужна интеграция с RAG-пайплайном, fine-tuning или MLOps-CI/CD — обсудим на консультации. Получите предварительную оценку вашего проекта — свяжитесь с нами, ответим в течение дня.

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.