Розгортання LLM на локальному сервері замовника (On-Premise)

Розгортання LLM на власному сервері — завдання, з яким стикається кожна компанія, що працює з чутливими даними. Ми виконали понад 20 проектів з on-premise деплою моделей від 7B до 70B параметрів. Гарантуємо стабільну роботу inference з latency p99 < 500 мс під навантаженням. On-premise LLM забезпечує latency в 3-5 разів нижчу, ніж хмарні рішення. Оцінимо ваш проект, зв'яжіться з нами для консультації.

Ми спеціалізуємось на розгортанні LLM на сервері (on-premise), що забезпечує локальний LLM з повним контролем даних. Наші рішення включають vllm docker інсталяцію, комплексну інфраструктуру llm та аналіз tco llm. On-premise vs cloud порівняння показує переваги локального розгортання. Модель llama 3 on-premise та nvidia a100 для llm — типові компоненти наших конфігурацій.

On-premise деплой LLM — розгортання на власному обладнанні в ЦОД компанії. Забезпечує повний контроль даних, передбачувану вартість при високому навантаженні, відповідність вимогам регуляторів (Закон України про захист персональних даних, банківські вимоги НБУ, медичні дані).

On-premise рішення забезпечує затримку в 2-10 разів нижчу, ніж хмара. За даними NVIDIA, InfiniBand забезпечує пропускну здатність 400 Гбіт/с.

Чому компанії обирають on-premise замість хмари? Головні причини — безпека даних та передбачувана вартість при великих обсягах. Якщо ви обробляєте понад 1 млн токенів на день, on-premise окупається за 12–18 місяців. Нижче розберемо ключові аспекти: обладнання, безпека, мережа та вартість.

Як обладнання впливає на продуктивність LLM?

Обов'язкові заходи безпеки

Мережева ізоляція: LLM-сервер в окремому VLAN, доступний лише через API Gateway. Зовнішній інтернет-доступ — тільки для оновлень через proxy.

Шифрування: TLS 1.3 для всіх API-викликів. Шифрування диска з моделями (LUKS). Шифрування трафіку між GPU серверами при multi-node.

Автентифікація: API-ключі або OAuth через корпоративний IdP (LDAP, AD). Audit log всіх запитів.

Фізична безпека: BIOS-пароль, відключення USB, моніторинг фізичного доступу в стійку.

Мережева інфраструктура

InfiniBand обов'язковий для multi-GPU серверів з tensor parallelism: 400 Gb/s HDR InfiniBand vs 100 Gb/s Ethernet — критична різниця при NCCL all-reduce. NVLink для inter-GPU всередині сервера: NVLink4 — 900 GB/s bidirectional bandwidth. Обов'язковий для DGX H100.

Базова конфігурація on-premise LLM-кластера

# Перевірка та налаштування NVIDIA оточення
nvidia-smi topo -m          # topology GPU ↔ CPU ↔ NIC
nvidia-smi nvlink --status  # статус NVLink

# Налаштування NCCL для InfiniBand
export NCCL_IB_DISABLE=0
export NCCL_IB_GID_INDEX=3
export NCCL_DEBUG=INFO

# Перевірка P2P доступу між GPU
python3 -c "
import torch
for i in range(torch.cuda.device_count()):
    for j in range(torch.cuda.device_count()):
        if i != j:
            print(f'GPU{i}→GPU{j}: P2P={torch.cuda.can_device_access_peer(i, j)}')
"

Docker Compose для production стеку

version: '3.8'
services:
  vllm:
    image: vllm/vllm-openai:v0.5.0
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=0,1,2,3
      - CUDA_VISIBLE_DEVICES=0,1,2,3
    command: >
      python -m vllm.entrypoints.openai.api_server
      --model /models/llama-3-70b-instruct
      --tensor-parallel-size 4
      --max-model-len 16384
      --max-num-seqs 128
      --gpu-memory-utilization 0.92
      --host 0.0.0.0
      --port 8000
    volumes:
      - /data/models:/models:ro
      - /dev/shm:/dev/shm
    shm_size: 32gb
    restart: unless-stopped
    ports:
      - "127.0.0.1:8000:8000"

  nginx:
    image: nginx:alpine
    ports: ["443:443", "80:80"]
    volumes:
      - ./nginx.conf:/etc/nginx/nginx.conf:ro
      - ./ssl:/etc/nginx/ssl:ro
    depends_on: [vllm]
    restart: unless-stopped

  prometheus:
    image: prom/prometheus:latest
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
      - prometheus_data:/prometheus
    ports: ["9090:9090"]

  grafana:
    image: grafana/grafana:latest
    ports: ["3000:3000"]
    volumes:
      - grafana_data:/var/lib/grafana
      - ./grafana/dashboards:/etc/grafana/provisioning/dashboards

  dcgm-exporter:
    image: nvcr.io/nvidia/k8s/dcgm-exporter:3.3.5-3.4.0-ubuntu22.04
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
    ports: ["9400:9400"]
    cap_add: [SYS_ADMIN]

volumes:
  prometheus_data:
  grafana_data:

Backup та DR

# Backup конфігурації (не моделі — занадто великі)
rsync -av /etc/docker/ backup-server:/backups/docker-configs/
rsync -av /opt/llm-stack/ backup-server:/backups/llm-stack/

# Моделі зберігаються на NAS з RAID
# Перевірка цілісності моделі
sha256sum /data/models/llama-3-70b/*.safetensors > model_checksums.txt

TCO аналіз vs cloud

При навантаженні понад 1 млн токенів на день on-premises рішення окупається за 12–18 місяців порівняно з хмарними GPU-інстансами. Економія на масштабі може досягати 50%. Для навантаження менше 100 тис. токенів на день хмара може бути дешевшою через простій обладнання. Ми допомагаємо розрахувати точну точку беззбитковості під ваш сценарій.

Порівняння on-premise та хмари за ключовими параметрами

Що входить в роботу?

• Аудит поточної інфраструктури та вимог до latency/p99
• Підбір та закупівля обладнання (сервери, GPU, мережа)
• Встановлення стеку: vLLM, Docker Compose, моніторинг (Prometheus + Grafana)
• Налаштування безпеки: VLAN, TLS, LUKS, LDAP
• Інтеграція з існуючими системами (API Gateway, auth)
• Тестування продуктивності та оптимізація (tensor parallelism, quantization)
• Документація та навчання команди (адміністрування, моніторинг)
• Технічна підтримка 24/7 після запуску

Процес роботи

1. Аудит вимог — збираємо метрики навантаження, latency, compliance
2. Проектування архітектури — обираємо обладнання, мережу, ПЗ
3. Закупівля та монтаж — організовуємо поставку та розміщення в ЦОД
4. Встановлення ПЗ — розгортання стеку, налаштування моніторингу
5. Оптимізація — тюнінг vLLM, quantization, tensor parallelism
6. Розгортання — інтеграція з production-контуром
7. Моніторинг та підтримка — передача документації, SLA

Терміни орієнтовно

Типовий проект: від 2 до 6 тижнів. Вартість розраховується індивідуально на основі обсягу робіт та необхідного обладнання. Замовте консультацію з інженером з on-premise LLM — ми підготуємо комерційну пропозицію протягом 2 днів.

Оцінимо ваш проект під ключ. Отримайте консультацію спеціаліста вже сьогодні.

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.