Налаштування динамічного батчингу для LLM: прискорення GPU

Якщо ваш LLM-сервіс зазнає високого навантаження при великій кількості одночасних користувачів, кожен запит обробляється послідовно — без батчингу throughput падає в рази, а latency зростає до неприйнятних значень. Ми налаштовуємо dynamic batching, щоб GPU працювала на 80%+ утилізації, а не на 5%. Наші інженери мають понад 4 роки досвіду в продакшені LLM та реалізували більше 20 проектів на vLLM, TensorRT-LLM та кастомних рішеннях. Dynamic batching об'єднує кілька паралельних запитів в один forward pass через GPU. Це ключовий механізм для високого throughput LLM: GPU паралельний і обробляє матричні множення ефективніше для великих батчів. Правильне налаштування батчингу дозволяє скоротити кількість необхідних GPU у 3-5 разів, що економить від 150 000 до 500 000 ₽ на місяць на інфраструктурі. Наші гарантії: сертифіковані фахівці з досвідом у понад 20 проектах.

Чому батчинг критичний для LLM?

Без батчингу навіть потужна GPU A100 80GB видає лише 30 tokens/sec для моделі Llama-3-8B. При batch=16 – 300 tokens/sec, а при batch=64 – уже 900 tokens/sec. Таким чином, приріст у 30 разів — dynamic batching у 30 разів швидше за статичний. Однак latency p99 зростає з 200 мс до 400 мс, що все ще прийнятно для більшості real-time сценаріїв. Якщо у вас 100 concurrent користувачів, без батчингу кожен чекатиме своєї черги – загальний час відповіді може перевищити хвилину. З continuous batching всі запити обробляються паралельно, і час відповіді знижується до секунд.

Чому continuous batching виграє у статичного?

Static batching фіксує розмір батча і чекає його заповнення, що збільшує latency при низькому навантаженні. Continuous batching (in-flight batching) додає запити в батч динамічно — як тільки GPU звільняється, він одразу обробляє наступну пачку. Це знижує час очікування та підвищує utilisation. Continuous batching у 2–5 разів ефективніший за static batching за throughput.

Continuous (In-flight) Batching у vLLM

Згідно з офіційною документацією vLLM, continuous batching реалізовано автоматично. Ключові параметри: max-num-seqs — максимальна кількість запитів у батчі, max-num-batched-tokens — загальна кількість токенів у батчі, scheduler-delay-factor — затримка перед формуванням батча. Приклад конфігурації:

python -m vllm.entrypoints.openai.api_server \
  --model meta-llama/Llama-3-8b-instruct \
  --max-num-seqs 256 \
  --max-num-batched-tokens 32768 \
  --scheduler-delay-factor 0.5 \
  --use-v2-block-manager \
  --enable-chunked-prefill

Chunked prefill розбиває довгий prefill на чанки, що не блокує decode інших запитів:

--enable-chunked-prefill
--max-num-batched-tokens 8192

Як налаштувати dynamic batching під конкретну GPU?

Виконайте ці кроки:

1. Визначте модель та GPU. Наприклад, Llama-3-8B на A100-80GB.
2. Виберіть фреймворк. vLLM — для швидкого старту, TensorRT-LLM — для максимальної продуктивності.
3. Запустіть бенчмаркінг. Використовуйте навантажувальні тести з різною кількістю concurrent користувачів.
4. Налаштуйте параметри. max-num-seqs, max-num-batched-tokens, scheduler-delay-factor.
5. Моніторинг. Відстежуйте метрики num_requests_running, avg_prompt_throughput_toks_per_s.

Які метрики моніторингу важливі для батчингу?

vLLM експортує метрики через Prometheus: num_requests_running (запити в активному батчі), num_requests_waiting (в черзі), avg_prompt_throughput_toks_per_s, avg_generation_throughput_toks_per_s. За допомогою цих метрик можна налаштувати баланс між throughput та latency. Для комплексного моніторингу використовуйте Grafana.

Типові помилки при налаштуванні батчингу:

• Занадто великий max-num-seqs: веде до зростання latency p99 через конкуренцію за пам'ять KV cache.
• Ігнорування chunked prefill: довгі промпти блокують decode, знижуючи utilisation.
• Відсутність бенчмаркінгу під реальне навантаження: параметри, підібрані на синтетичних даних, часто не працюють у продакшені.

Налаштування динамічного батчингу в TensorRT-LLM / Triton

# tensorrt_llm/config.pbtxt
parameters {
  key: "max_tokens_in_paged_kv_cache"
  value: { string_value: "40000" }
}
parameters {
  key: "batch_scheduler_policy"
  value: { string_value: "guaranteed_no_evict" }
}
parameters {
  key: "executor_static_batch_size"
  value: { string_value: "-1" }
}

Ручна реалізація батчингу (приклад DynamicBatchInferenceServer)

Якщо використовується власний inference server:

import asyncio
from dataclasses import dataclass
from collections import deque
import time

@dataclass
class PendingRequest:
    id: str
    prompt: str
    max_tokens: int
    future: asyncio.Future
    enqueued_at: float

class DynamicBatchInferenceServer:
    def __init__(
        self,
        model,
        max_batch_size: int = 64,
        max_wait_ms: float = 20.0,
        max_tokens_per_batch: int = 16384
    ):
        self.model = model
        self.max_batch_size = max_batch_size
        self.max_wait_ms = max_wait_ms
        self.max_tokens_per_batch = max_tokens_per_batch
        self.queue: deque[PendingRequest] = deque()
        self.lock = asyncio.Lock()
        self._batch_worker_task = None

    async def start(self):
        self._batch_worker_task = asyncio.create_task(self._batch_worker())

    async def predict(self, prompt: str, max_tokens: int = 512) -> str:
        future = asyncio.get_event_loop().create_future()
        request = PendingRequest(
            id=str(time.time()),
            prompt=prompt,
            max_tokens=max_tokens,
            future=future,
            enqueued_at=time.time()
        )
        async with self.lock:
            self.queue.append(request)
        return await future

    async def _batch_worker(self):
        while True:
            await asyncio.sleep(self.max_wait_ms / 1000)
            async with self.lock:
                if not self.queue:
                    continue
                batch: list[PendingRequest] = []
                total_tokens = 0
                while (self.queue
                       and len(batch) < self.max_batch_size
                       and total_tokens + self.queue[0].max_tokens <= self.max_tokens_per_batch):
                    req = self.queue.popleft()
                    batch.append(req)
                    total_tokens += len(req.prompt.split()) + req.max_tokens
            if not batch:
                continue
            prompts = [req.prompt for req in batch]
            max_tokens_list = [req.max_tokens for req in batch]
            try:
                outputs = self.model.generate_batch(prompts, max(max_tokens_list))
                for req, output in zip(batch, outputs):
                    if not req.future.done():
                        req.future.set_result(output)
            except Exception as e:
                for req in batch:
                    if not req.future.done():
                        req.future.set_exception(e)

Кейс: оптимізація для високонавантаженого чат-бота. Клієнт з навантаженням 2000 запитів на хвилину використовував 8 GPU A100 без батчингу. Після налаштування continuous batching з параметрами max-num-seqs=256 та chunked prefill вдалося обробляти те саме навантаження на 2 GPU. Економія інфраструктури склала 400 000 ₽ на місяць. Окупність проекту — 3 тижні. Це доводить, що dynamic batching в 4 рази ефективніший за відсутність батчингу.

Завдяки налаштуванню dynamic batching наші клієнти скорочують витрати на GPU-інфраструктуру в 3-10 разів, досягаючи окупності проекту протягом 2-3 місяців. Економія становить від 150 000 ₽ на місяць. Наш досвід та сертифікати гарантують якісний результат.

Що входить у налаштування

• Конфігурація inference server (vLLM, TensorRT-LLM або кастомний)
• Бенчмаркінг та підбір параметрів батчингу
• Інтеграція моніторингу метрик батчингу
• Документація з розгортання та підтримки
• Навчання команди (опціонально)

Орієнтовні терміни: від 2 до 10 робочих днів залежно від складності. Вартість розраховується індивідуально.

Отримайте консультацію з оптимізації throughput вашого LLM. Зв’яжіться — оцінимо проект за 1 день. Замовте аудит поточної конфігурації батчингу — ми виявимо вузькі місця та запропонуємо покращення з розрахунком економії.

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.