Оптимізація продуктивності GPU-кластерів A100/H100 для ML

GPU простоює через вузьке місце в мережі або неправильно сконфігуровані драйвери — типова ситуація, коли кластер з 8 A100 видає лише 30% утилізації. Причина найчастіше не в самих картах, а в тому, як налаштоване оточення: повільний Interconnect, неправильні параметри NCCL, неоптимізоване сховище. Ми за 5+ років налаштували понад 20 GPU-кластерів і знаємо, як витиснути максимум з кожного ампер-години. Підхід простий: прибираємо вузькі місця по всьому ланцюжку — від драйверів до планувальника завдань.

Чому обладнання — лише половина успіху?

Навіть топові карти не дадуть приросту, якщо решта системи не збалансована. NVIDIA A100 (80GB SXM) з NVLink (600 GB/s всередині вузла) та H100 (80GB SXM5) з HBM3 (3.35 TB/s) — потужні інструменти, але вони потребують відповідної інфраструктури. Без InfiniBand та паралельної файлової системи (GPFS, Lustre) ви отримаєте утилізацію GPU 30–50% замість 85%+. Ми проектуємо кластери з урахуванням ваших робочих навантажень: для LLM з tensor parallelism критична швидкість NVLink, для data parallelism — пропускна здатність InfiniBand між вузлами.

Як перевірити продуктивність кластера після налаштування?

Після налаштування обов'язково проводимо тести AllReduce за допомогою nccl-tests. Для 8x A100 очікувана пропускна здатність — >280 GB/s при розмірі повідомлення 1GB. Якщо значення нижче — шукаємо вузьке місце: NUMA affinity, версію драйвера, конфігурацію комутатора. Також запускаємо benchmark training для вашої моделі (наприклад, GPT-2 або BERT) і порівнюємо throughput з очікуваним. За даними NVIDIA, правильне налаштування NUMA може дати приріст до 20%.

Процес налаштування GPU-кластера

1. Аудит поточної інфраструктури та вимог — обсяг датасетів, тип моделей, очікувана частота навчання.
2. Проєктування — вибір карт, кількість вузлів, тип Interconnect, файлова система.
3. Встановлення драйверів та CUDA — production-версії, налаштування persistence mode, оптимізація power limit.
4. Налаштування NCCL — fine-tuning параметрів, тестування AllReduce bandwidth (ціль >280 GB/s на 8x A100).
5. Інтеграція з планувальником — Slurm для batch-навчання або Kubernetes + GPU Operator для контейнеризації.
6. Моніторинг та оптимізація — DCGM, Prometheus, дашборди з ключовими метриками.
7. Документація та навчання команди — як запускати завдання, діагностувати проблеми.

Вартість налаштування розраховується індивідуально залежно від конфігурації. Оптимізація може призвести до значної економії на рахунках за електроенергію. Навчання ML моделей на GPU-кластері вимагає правильної конфігурації.

# 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

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
# Очікується: 1GB ~280 GB/s, 4GB ~300 GB/s (algbw)

Вибір Interconnect: InfiniBand проти Ethernet

InfiniBand HDR забезпечує в 2 рази вищу пропускну здатність порівняно з Ethernet 100GbE, що критично для multi-node навчання.

Для multi-node навчання з tensor parallelism InfiniBand — обов'язкова вимога. Ethernet допустимий лише при малій кількості вузлів (2–4) або для inference.

Порівняння конфігурацій: одно-вузловий vs multi-node

Деталі налаштування NCCL

NCCL використовує алгоритми Tree, Ring та NVLS. Для H100 рекомендується увімкнути NVLS (NVLink Shared) для прискорення all-reduce. Параметр NCCL_ALGO=NVLS може дати приріст 10-15%. Також важливий NCCL_IB_HCA для вказання InfiniBand інтерфейсів. Більш детально про NCCL можна прочитати в офіційному репозиторії (https://github.com/NVIDIA/nccl).

Оркестрація: Slurm чи Kubernetes?

Slurm — стандарт HPC, краще для довгих batch-завдань з фіксованою кількістю GPU. Kubernetes + GPU Operator — для контейнеризації та динамічного виділення ресурсів. Ми допомагаємо обрати відповідний варіант і налаштувати gang scheduling, щоб всі GPU-поди запускалися одночасно.

Встановлення 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

Приклад 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

Моніторинг: DCGM Exporter та метрики

helm install dcgm-exporter nvidia/dcgm-exporter

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

Типові помилки при налаштуванні

• Пропуск налаштування NUMA affinity — призводить до втрати 10–20% продуктивності.
• Використання одного розділу файлової системи для датасетів та чекпоінтів — вузьке місце IO.
• Відсутність тестів AllReduce між вузлами — часто виявляється тільки в продакшені.
• Неправильні параметри планувальника (timeout, backfill) — GPU простоюють.

Результати та гарантії

Після налаштування кластера ви отримуєте:

• Утилізацію GPU не нижче 85% при стандартних навантаженнях.
• Scaling efficiency 85–90% для multi-node навчання.
• Документовану процедуру розгортання та моніторингу.

Ми гарантуємо, що налаштований кластер працюватиме стабільно, а при виникненні проблем — надамо підтримку в рамках угоди. Наше портфоліо включає понад 20 успішних GPU cluster setup проектів. Оцінимо ваш проєкт за 1–2 дні. Зв'яжіться для консультації та отримайте попередню оцінку. Пропонуємо налаштування під ключ, включаючи документацію та навчання команди.

Що входить в роботу

• Аудит поточної інфраструктури та вимог
• Проектування архітектури
• Встановлення та налаштування драйверів, CUDA, NCCL
• Інтеграція з планувальником (Slurm/Kubernetes)
• Налаштування моніторингу та дашбордів
• Документація та навчання команди
• Підтримка протягом 3 місяців

Замовте налаштування та забудьте про простої GPU.

MLOps: інфраструктура для навчання, деплою та моніторингу ML-моделей

Модель навчена, метрики — F1 0.94 на валідації. Через три місяці в продакшені якість падає на 12%. Ніхто не знає, коли саме — немає моніторингу. Не можна швидко перенавчити — навчальний скрипт лежить у Jupyter-ноутбуці у data scientist’а, який вже звільнився. Дані для ретрейну збирають вручну з трьох розрізнених систем. Приблизно половина проєктів приходять до нас із цим болем. Ми будуємо MLOps платформу під ключ: від трекінгу експериментів до автоматичного деплою та моніторингу дрейфу даних. Оцінимо вашу інфраструктуру за 1–2 тижні, а через 4–6 тижнів ви отримаєте базове ядро MLOps, що працює в продуктивному контурі. Наша команда — 10+ років досвіду в ML-інфраструктурі, понад 50 впроваджень.

Як побудувати MLOps-інфраструктуру?

Experiment tracking та відтворюваність

Без трекінгу ML-проєкт перетворюється на хаос: незрозуміло, який чекпоінт кращий, які гіперпараметри використовувались, який датасет. Відтворити результат через місяць — квест.

MLflow — open source стандарт для трекінгу. Логує параметри, метрики, артефакти (моделі, графіки) та код. MLflow Model Registry — централізоване сховище моделей з версіонуванням та lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving або інтеграція із зовнішніми системами.

Типова ініціалізація в коді:

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")

Це мінімум. В production додаємо логування системних метрик (GPU utilization, memory), датасету (hash, версія), коду (git commit hash). Weights & Biases — більш багатий UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без зовнішніх залежностей.

DVC (Data Version Control) — версіонування даних та моделей поверх git. Дані зберігаються в S3/GCS/Azure Blob, у git — лише метадані (хеші). dvc repro відтворює весь пайплайн від сирих даних до метрик.

Як забезпечити відтворюваність навчання?

Фіксуйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) та записуйте їх у метадані експерименту. Без цього дебагінг нерегулярних результатів — біль. Логуйте версію датасету (DVC hash) та git commit — тоді будь-який експеримент можна повторити з точністю до байта. Це скорочує час на відтворення результатів у 2–3 рази.

Оркестрація пайплайнів: Kubeflow, Airflow, Prefect

Коли потрібен оркестратор пайплайнів?

Скрипт навчання на 100 рядків у cron — нормально для простих задач. Але як тільки з'являється multi-step пайплайн (завантаження даних → preprocessing → feature engineering → навчання → валідація → деплой якщо якість вище порогу), потрібен оркестратор з retry-логікою, візуалізацією, алертами.

Kubeflow — Kubernetes-native оркестратор для ML. Кожен крок — Docker-контейнер. Підтримує паралельні кроки, умовні гілки, артефакти між кроками. Інтегрується з Katib (AutoML), KServe (serving), Feast (feature store). Kubeflow краще за Airflow для ML-пайплайнів у 2–3 рази за швидкістю налаштування та інтеграції з ML-інструментами.

Apache Airflow — більш загальний DAG-оркестратор. Широка екосистема операторів (S3, Spark, DBT, Kubernetes). Простіше розгорнути, якщо в компанії вже є Airflow.

Prefect / Metaflow — менше boilerplate. Prefect 2.x з декораторами @flow та @task — швидкий старт для невеликих команд.

Типова архітектура навчального пайплайну на Kubeflow:

1. Data ingestion component — забирає дані з S3/БД, валідує схему через Great Expectations
2. Preprocessing component — трансформації, normalization, train/val/test split
3. Training component — навчання на GPU, логування в MLflow
4. Evaluation component — обчислення метрик, порівняння з baseline в Model Registry
5. Conditional deployment — деплой тільки якщо нова модель краща за поточну на >2% F1

Кожен component — окремий Docker-образ. Пайплайн версіонується в git. Запуск за розкладом (ретрейнінг раз на тиждень на нових даних) або вручну.

from kfp import dsl

@dsl.pipeline(name='training-pipeline')
def pipeline():
    data_op = data_ingestion_op()
    preprocess_op = preprocessing_op(data_op.output)
    train_op = training_op(preprocess_op.output)
    eval_op = evaluation_op(train_op.output)
    with dsl.Condition(eval_op.output > 0.95):
        deploy_op = deployment_op(train_op.output)

Model Registry та управління життєвим циклом

Model Registry — не просто сховище чекпоінтів. Це централізована система, яка знає:

• Яка модель зараз у продакшені (і з якими метриками)
• Історія всіх версій з параметрами навчання
• Метадані: датасет, git commit, результати валідації
• 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.

Просування моделі через стейджі: автоматично переводимо модель у Staging після успішного проходження eval, потім ручне або автоматичне (при A/B тесті) просування в Production. Rollback — перемикання на попередню Production-версію за секунди.

Serving: від FastAPI до Triton Inference Server

Простий випадок. FastAPI + PyTorch/ONNX на одному сервері — 80% production ML deployments саме так. Достатньо для більшості задач з навантаженням 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)}

FastAPI + ONNX підходить для 80% задач, але при навантаженні понад 100 req/s Triton Inference Server дає у 3 рази вищу пропускну здатність. Triton — production-стандарт для високих навантажень (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Підтримує TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving з autoscaling, canary deployments, A/B testing з коробки. Scale-to-zero для неактивних моделей — економія на інфраструктурі до 40%.

Моніторинг: data drift, model drift, інфраструктурні метрики

Моніторинг — те, що зазвичай роблять в останню чергу і про що шкодують у першу. Три рівні.

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

Data drift моніторинг. Розподіл вхідних даних змінюється з часом. Детектуємо через PSI (Population Stability Index) для числових ознак: PSI > 0.2 — сильний дрейф. Chi-squared test для категоріальних, Kolmogorov-Smirnov test для неперервних. Evidently AI — open source бібліотека з готовими дрейф-тестами.

Model drift моніторинг. Якщо є ground truth із затримкою (наприклад, через тиждень знаємо конверсію) — моніторимо реальні метрики. Якщо ні — surrogate метрики: розподіл prediction scores, частка confident predictions.

Alerting. Три рівні: INFO (невеликий дрейф, логуємо), WARNING (значний, повідомляємо команду), CRITICAL (якість впала нижче порогу — автоматичне перемикання на fallback-модель).

Чому важливий моніторинг дрейфу даних?

Без нього ви дізнаєтеся про деградацію моделі тільки за скаргами користувачів або дзвінким SLA. Алерт про дрейф дозволяє перенавчити модель заздалегідь, до того як помилки почнуть приносити збитки. В одному з наших проєктів моніторинг PSI виявив дрейф через 2 дні після зміни джерела даних — це врятувало кампанію з бюджетом понад $100K. За словами CTO клієнта, впровадження моніторингу скоротило час виявлення проблем з 2 тижнів до 2 годин.

Feature Store

Feature Store вирішує проблему training-serving skew. Якщо preprocessing під час навчання та інференсу реалізований у двох різних місцях — розбіжність неминуча.

Коли потрібен Feature Store?

• Кілька моделей використовують одні й ті ж ознаки
• Ознаки обчислюються з потокових даних (real-time)
• Велика команда з різними людьми на feature engineering та model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для навчання, онлайн store (Redis, DynamoDB) для low-latency інференсу. Feature definitions як код, materialization job синхронізує офлайн → онлайн.

Tecton (комерційний), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варіанти з меншим ops overhead.

Як автоматизувати CI/CD для ML?

ML CI/CD — звичайний CI/CD плюс специфічні ML-кроки.

ML-специфічні checks в CI:

• Перевірка відтворюваності: запустити навчання з фіксованим seed, результат має збігатися
• Data validation: Great Expectations або Pandera на schema/distribution checks
• Model performance check: автоматичний eval на holdout, блокувати merge якщо деградація > порогу
• Latency regression test: inference має вкладатися в SLA

GitOps для деплою. Merge в main → CI запускає навчання → eval → якщо проходить → автоматичний деплой у Staging → smoke tests → ручне просування в Production або автоматичне при успішному canary.

Інструменти: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплою на Kubernetes.

Що входить у розробку MLOps-платформи

Ми надаємо повний цикл робіт, документацію та навчання команди.

Підсумковий термін від аудиту до повноцінної MLOps-платформи: 3–5 місяців. Базовий рівень (трекінг + serving) за 4–6 тижнів. Вартість розраховується індивідуально під обсяг даних (від 1 ТБ), кількість моделей та вимоги до інфраструктури. Замовте аудит MLOps-інфраструктури — отримайте roadmap за 1–2 тижні. Зв'яжіться з нами для оцінки вашого проєкту — ми надішлемо попередній розрахунок за 2 робочих дні.

Гарантія на архітектурні рішення — 12 місяців. Надаємо сертифікати інтеграції з основними хмарними провайдерами (AWS, GCP, Azure). За час роботи ми не втратили жодного клієнта після першого впровадження — досвід 50+ успішних MLOps-проєктів говорить сам за себе. Отримайте консультацію щодо побудови MLOps платформи вже сьогодні.