Розгортання LLM на виділеному GPU-сервері під ключ

Команда стартапу з трьох осіб розгорнула Llama-3-70B на одиночному A100 80GB — і модель падала з CUDA OOM при кожному другому запиті. Проблема була не в GPU, а в конфігурації: vLLM виділив 0.95 GPU-пам'яті під KV-cache, не залишивши запасу на варіації довжини контексту. Ми переключили gpu-memory-utilization на 0.85 і ввімкнули swapping через CPU — падіння припинилися. Такі ситуації — наша щоденна робота. За останні роки ми розгорнули понад 30 production-систем інференсу Large language model на виділених GPU-серверах (on-premise або bare metal) та гарантуємо стабільну роботу навіть при пікових навантаженнях.

Виділений сервер дає передбачувану продуктивність, відсутність cold start і повний контроль над даними. Це оптимальний вибір для високонавантажених сценаріїв з вимогами до data residency або кастомних pipelines.

Проблеми, які ми вирішуємо

Помилка в розрахунку VRAM. Наприклад, Llama-3-70B у BF16 потребує 140 GB — не кожен сервер потягне. Ми використовуємо quantization (AWQ/GPTQ) і tensor parallelism, щоб оптимально утилізувати ресурси. Mixtral-8x7B (MoE) активує лише 13B параметрів, але потребує 90 GB VRAM — легко вміщується на 2×A100 80GB після 4-бітного квантування.

Падіння сервісу при OOM. На довгих контекстах (>16k токенів) vLLM може вилетіти. Рішення — налаштування max-model-len і gpu-memory-utilization в парі з systemd-сервісом, який автоматично перезапускає процес при збої. Додатково ставимо watchdog-скрипт, що перевіряє health-ендпоінт.

Простий при оновленні моделі. Без blue-green деплою кожне оновлення — downtime. Ми запускаємо нову версію на іншому порту, тестуємо, потім перемикаємо nginx upstream — downtime відсутній.

Як вибрати GPU під вашу модель?

Вибір GPU залежить від розміру моделі та необхідного latency. Ось таблиця рекомендацій для популярних моделей:

Квантування в INT4/INT8 знижує вимоги до VRAM в 3-4 рази, що дозволяє вмістити 70B модель на 2×A100.

Чому vLLM частіше обирають для production?

vLLM використовує PagedAttention — ефективне управління KV-cache, що дає на 20-50% вищий throughput при малих batch розмірах. На нашому бенчмарку Llama-3-8B з AWQ-квантуванням: vLLM видав 1200 токенів/сек проти 800 у TGI (batch=32). Однак TGI краще справляється з довгим контекстом (≥32k токенів) за рахунок більш агресивного tensor parallelism.

Якщо ваш сценарій — онлайн-чат з короткими запитами, обирайте vLLM. Якщо потрібно обробляти багатосторінкові документи — TGI.

Що робити при OOM?

При OOM насамперед перевірте gpu-memory-utilization — часто він встановлений занадто високо. Рекомендоване значення — 0.85-0.90, решта під CPU swap. Також налаштуйте max-model-len пропорційно середній довжині контексту. В systemd додайте Restart=always і скрипт health-перевірки — сервіс перезапуститься автоматично.

Процес розгортання та оновлення

Етапи

1. Аналітика — оцінка моделі, очікуваного RPS та latency SLA. Підбір GPU та квантування.
2. Проектування — конфігурація tensor parallel, batch size, quantization, вибір фреймворку.
3. Реалізація — встановлення CUDA, драйверів, деплой vLLM/TGI як systemd-сервісу з watchdog.
4. Тестування — навантажувальне тестування (locust/vegeta), замір p99 latency, перевірка на long-tail.
5. Деплой — nginx reverse proxy з rate limiting, SSL, моніторинг Prometheus + Grafana.
6. Документація — опис ендпоінтів, конфігів, процедури оновлення.

Оновлення без downtime

Класичний blue-green: запускаємо нову версію на порту 8001, тестуємо її, перемикаємо nginx upstream з порту 8000 на 8001, потім зупиняємо старий сервіс. Весь процес займає ~30 секунд, при правильному налаштуванні keepalive користувачі не помічають перемикання.

Що входить в роботу

• Підбір GPU та конфігурація сервера.
• Встановлення CUDA, драйверів (якщо потрібно — Docker).
• Деплой vLLM/TGI з systemd + watchdog.
• Nginx reverse proxy з rate limiting та SSL.
• Моніторинг (Prometheus + Grafana — дашборди GPU, latency, throughput).
• Оновлення моделі без downtime.
• Документація та навчання команди.
• Підтримка 30 днів після здачі.

Терміни: від 2 до 7 днів залежно від складності (наявність GPU, кількість моделей, HA). Вартість розраховується індивідуально — зв'яжіться з нами для оцінки вашого проєкту, це займе 1 робочий день.

Налаштування сервера та інфраструктура

Конфігурація сервера

Перед початком перевірте наявність GPU та версію драйверів:

nvidia-smi
nvcc --version

Встановіть CUDA 12.1 та cuDNN. На Ubuntu 22.04:

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

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

Деплой vLLM як systemd-сервісу

# /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;
    }
}

Моніторинг та автоматичний перезапуск

Використовуємо Prometheus та Grafana з nvidia_gpu_exporter для відстеження температури GPU, VRAM utilization та throughput. Алерти: температура > 85°C, VRAM > 95%, сервіс недоступний > 30 секунд.

systemd Restart=always + watchdog скрипт, що перевіряє health-ендпоінт кожні 30 секунд. При трьох невдалих спробах — рестарт сервісу.

#!/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

Досвід наших інженерів — понад 5 років у ML/infra, понад 30 розгорнутих інференс-систем. Ми супроводжуємо кожен проєкт гарантією на конфігурацію та підтримкою після деплою. Якщо потрібна інтеграція з RAG-пайплайном, fine-tuning або MLOps-CI/CD — обговоримо на консультації. Отримайте попередню оцінку вашого проєкту — зв'яжіться з нами, відповімо протягом дня.

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.