Налаштування NVIDIA NCCL для мульти-GPU навчання

Налаштування NVIDIA NCCL для мульти-GPU навчання

Ви запустили distributed training на восьми A100, а scaling efficiency ледь дотягує до 30%. Знайома ситуація? Неправильна конфігурація NCCL — головна причина простою GPU і подовження експериментів. Бібліотека NVIDIA NCCL відповідає за синхронізацію градієнтів. Ми налаштовували NCCL для сотень серверів: від DGX до кластерів на Ethernet. Ділимося досвідом, як вичавити 85+% ефективності.

Проблема часто криється в невірному виборі транспорту: NVLink, PCIe, InfiniBand або Ethernet. Кожен має свої обмеження. Розберемо типові помилки та їх рішення.

Які проблеми виникають при розподіленому навчанні?

Транспорт не вибрано — NCCL мовчки падає на PCIe замість NVLink. Перевірте nvidia-smi topo -m та примусово задайте NCCL_P2P_DISABLE=0. Невірні буфери — буфер за замовчуванням малий для великих моделей. Збільшіть NCCL_BUFFSIZE до 8MB. Multi-node без RDMA — на Ethernet all-reduce в 2-3 рази повільніший, ніж на InfiniBand. Рішення — мігрувати на InfiniBand або увімкнути RoCE. Типовий симптом: GPU утилізовані на 30-50% при навчанні моделі з мільярдами параметрів.

Як ми налаштовуємо NCCL

Типовий стек: PyTorch DDP + NCCL 2.19, Ubuntu 22.04, CUDA 12.1. Для бенчмарків використовуємо nccl-tests з репозиторію NVIDIA. Приклад налаштування для DGX A100 з 8 GPU та InfiniBand:

export NCCL_DEBUG=INFO
export NCCL_DEBUG_SUBSYS=INIT,GRAPH
export NCCL_P2P_DISABLE=0
export NCCL_IB_DISABLE=0
export NCCL_IB_HCA=mlx5_0
export NCCL_IB_GID_INDEX=3
export NCCL_BUFFSIZE=8388608
export NCCL_NTHREADS=512

Після цієї конфігурації пропускна здатність all-reduce 1G зросла з 35 GB/s (PCIe only) до 280 GB/s (NVLink+InfiniBand). Різниця в 8 разів — це те, що відрізняє проєкт, де GPU простоюють, від повністю утилізованих. Таке прискорення окупає вкладення в InfiniBand за 6–12 місяців, знижуючи витрати на GPU-години на 50–70%.

Порівняння транспортів

Рекомендовані змінні NCCL

Як діагностувати проблеми NCCL?

Спочатку перевірте топологію: nvidia-smi topo -m. Якщо бачите NV12 — все добре, якщо PIX — NVLink не використовується. Потім увімкніть NCCL_DEBUG=INFO та запустіть all_reduce_perf -b 1G -e 4G -f 2 -g 8. Дивіться на algbw — він має співпадати з теоретичним лімітом транспорту. Якщо нижче — проблема в налаштуваннях.

Чому InfiniBand вигідніший за Ethernet?

Для multi-node навчання all-reduce — вузьке місце. InfiniBand HDR дає пропускну здатність 200 Gbit/s та низьку затримку. Ethernet 100GbE — лише 100 Gbit/s, а реальна продуктивність через протокол TCP ще нижча. Різниця у вартості сервера з InfiniBand окупається за рахунок прискорення навчання в 2-3 рази. Зв'яжіться з нами для оцінки вашої інфраструктури.

Процес роботи

1. Аналіз топології — визначаємо зв'язки GPU, NUMA-вузли, мережеві інтерфейси.
2. Проектування — вибираємо транспорт, розміри буферів, потоків.
3. Реалізація — правимо змінні середовища, встановлюємо драйвери (gdrcopy при необхідності).
4. Тестування — запускаємо nccl-tests на всіх режимах, порівнюємо з baseline.
5. Деплой — фіксуємо конфігурацію в Ansible або Dockerfile, документуємо.

Строки орієнтовно

Проєкт під ключ — від 3 до 7 днів залежно від складності топології. Вартість розраховується індивідуально після аудиту вашої інфраструктури. Замовте аудит вашої конфігурації NCCL сьогодні.

Що входить в роботу

• Скрипти автоматичного налаштування NCCL для вашої конфігурації.
• Звіт з бенчмарками всіх комбінацій транспорту.
• Документація з діагностики та оптимізації для вашої команди.
• Підтримка на етапі впровадження — відлагодимо проблеми в реальних експериментах.

Типові помилки

• Забули перевірити NUMA-афінність — прив'яжіть процеси до NUMA-вузла GPU.
• Використовуєте torchrun без --master_port на всіх вузлах — порти конфліктують.
• Не увімкнули NCCL_IB_DISABLE=0 на вузлах без InfiniBand — NCCL вішає тренування.
• Занадто малий NCCL_BUFFSIZE для великих градієнтів — дробимо на кілька all-reduce.

Правильно налаштований NCCL — різниця між 30% та 85% scaling efficiency. Наш досвід — понад 10 років у distributed training, десятки впроваджень від 4 до 256 GPU. Гарантуємо зростання продуктивності або повернемо гроші за консультацію.

Офіційна документація NCCL

Отримайте консультацію з налаштування вашої інфраструктури.

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.