À propos de l'inférence de modèles d'IA/de ML sur GKE

Cette page décrit les concepts clés, les avantages et les étapes à suivre pour exécuter des charges de travail d'inférence de modèles d'IA/de ML génératifs sur Google Kubernetes Engine (GKE) à l'aide des fonctionnalités d'IA générative de GKE.

La diffusion d'inférence est essentielle pour déployer vos modèles d'IA générative dans des applications réelles. GKE fournit une plate-forme robuste et évolutive pour gérer vos charges de travail conteneurisées, ce qui en fait un choix idéal pour diffuser vos modèles en développement ou en production. Avec GKE, vous pouvez utiliser les fonctionnalités d'orchestration, de scaling et de haute disponibilité de Kubernetes pour déployer et gérer efficacement vos services d'inférence.

Conscient des exigences spécifiques de l'inférence d'IA/de ML, Google Cloud a introduit les fonctionnalités d'IA générative de GKE, une suite de fonctionnalités spécialement conçues pour améliorer et optimiser la mise en service de l'inférence sur GKE. Pour en savoir plus sur des fonctionnalités spécifiques, consultez Fonctionnalités d'IA générative de GKE.

Premiers pas avec l'inférence de modèles d'IA et de ML sur GKE

Vous pouvez commencer à explorer l'inférence de modèles d'IA et de ML sur GKE en quelques minutes. Vous pouvez utiliser le niveau sans frais de GKE, qui vous permet de commencer à utiliser Kubernetes sans encourir les frais de gestion des clusters.

  1. Accéder à la page "IA/ML GKE" dans la console Google Cloud

  2. Suivez les étapes de la section Déployer des modèles pour déployer un modèle et un serveur de modèles conteneurisés.
  3. Consultez la page Présentation des bonnes pratiques d'inférence sur GKE, qui contient des conseils et des ressources pour planifier et exécuter vos charges de travail d'inférence sur GKE.

Terminologie

Cette page utilise la terminologie suivante liée à l'inférence sur GKE :

  • Inférence : processus d'exécution d'un modèle d'IA générative, tel qu'un grand modèle de langage ou un modèle de diffusion, dans un cluster GKE pour générer du texte, des embeddings ou d'autres résultats à partir de données d'entrée. L'inférence de modèle sur GKE exploite des accélérateurs pour gérer efficacement les calculs complexes pour le traitement par lot ou en temps réel.
  • Modèle : modèle d'IA générative qui a appris des schémas à partir de données et qui est utilisé pour l'inférence. La taille et l'architecture des modèles varient, allant de modèles plus petits spécifiques à un domaine à des réseaux de neurones massifs de plusieurs milliards de paramètres optimisés pour diverses tâches linguistiques.
  • Serveur de modèles : service conteneurisé chargé de recevoir les requêtes d'inférence et de renvoyer les inférences. Ce service peut être une application Python ou une solution plus robuste comme vLLM, TensorFlow Serving ou Triton Inference Server. Le serveur de modèles gère le chargement des modèles en mémoire et exécute des calculs sur des accélérateurs pour renvoyer efficacement des inférences.
  • Accélérateur : matériel spécialisé, tel que les processeurs graphiques (GPU) de NVIDIA et les Tensor Processing Units (TPU) de Google, qui peut être associé à des nœuds GKE pour accélérer les calculs, en particulier pour les tâches d'entraînement et d'inférence.
  • Quantification : technique utilisée pour réduire la taille des modèles d'IA/de ML et améliorer la vitesse d'inférence en convertissant les pondérations et les activations des modèles de types de données de précision supérieure en types de données de précision inférieure.

Avantages de GKE pour l'inférence

La diffusion d'inférence sur GKE offre plusieurs avantages :

  • Excellent rapport prix/performances : profitez d'un service d'inférence rapide et économique. GKE vous permet de choisir parmi une gamme d'accélérateurs puissants (GPU et TPU). Vous ne payez ainsi que les performances dont vous avez besoin.
  • Déploiement plus rapide : accélérez votre délai de mise sur le marché grâce aux bonnes pratiques, qualifications et bonnes pratiques personnalisées fournies par les fonctionnalités d'IA générative de GKE.
  • Performances évolutives : effectuer un scaling horizontal des performances avec une surveillance prédéfinie à l'aide de GKE Inference Gateway, de l'autoscaling horizontal des pods (AHP) et de métriques personnalisées. Vous pouvez exécuter une gamme de modèles pré-entraînés ou personnalisés, de 8 milliards à 671 milliards de paramètres.
  • Portabilité complète : bénéficiez d'une portabilité complète grâce aux standards ouverts. Google contribue aux principales API Kubernetes, y compris Gateway et LeaderWorkerSet, et toutes les API sont portables avec les distributions Kubernetes.
  • Compatibilité avec l'écosystème : s'appuie sur l'écosystème robuste de GKE, qui est compatible avec des outils tels que Kueue pour la mise en file d'attente et la gestion avancées des ressources, et Ray pour le calcul distribué, afin de faciliter l'entraînement et l'inférence de modèles évolutifs et efficaces.

Fonctionnement de l'inférence sur GKE

Cette section décrit de manière générale les étapes à suivre pour utiliser GKE pour la diffusion d'inférence :

  1. Conteneuriser votre modèle : conteneuriser une application consiste à créer une image de conteneur, c'est-à-dire un package exécutable qui inclut tout ce qui est nécessaire pour exécuter l'application : code, environnement d'exécution, outils système, bibliothèques système et paramètres. Une application simple peut être conteneurisée en tant qu'unité unique, tandis qu'une application plus complexe peut être divisée en plusieurs composants conteneurisés. Déployez un modèle en conteneurisant le serveur de modèles (comme vLLM) et en chargeant les pondérations du modèle depuis Cloud Storage ou un dépôt comme Hugging Face. Lorsque vous utilisez le guide de démarrage rapide de l'inférence GKE, l'image de conteneur est automatiquement gérée dans le fichier manifeste.

  2. Créer un cluster GKE : créez un cluster GKE pour héberger votre déploiement. Choisissez Autopilot pour une expérience gérée ou Standard pour la personnalisation. Configurez la taille du cluster, les types de nœuds et les accélérateurs. Pour une configuration optimisée, utilisez Inference Quickstart.

  3. Déployez votre modèle en tant que déploiement Kubernetes : créez un déploiement Kubernetes pour gérer votre service d'inférence. Un déploiement est un objet d'API Kubernetes qui vous permet d'exécuter plusieurs instances répliquées de pods répartis entre les nœuds d'un cluster. Spécifiez l'image Docker, les instances répliquées et les paramètres. Kubernetes extrait l'image et exécute vos conteneurs sur les nœuds du cluster GKE. Configurez les pods avec votre serveur de modèles et votre modèle, y compris les adaptateurs LoRA si nécessaire.

  4. Exposez votre service d'inférence : rendez votre service d'inférence accessible en créant un service Kubernetes pour fournir un point de terminaison du réseau pour votre déploiement. Utilisez Inference Gateway pour un équilibrage de charge et un routage intelligents spécialement adaptés aux charges de travail d'inférence d'IA générative, ou consultez la comparaison des stratégies d'équilibrage de charge pour choisir l'option la mieux adaptée à vos besoins.

  5. Gérer les requêtes d'inférence : envoyez des données depuis les clients de votre application vers le point de terminaison de votre service, au format attendu (JSON, gRPC). Si vous utilisez un équilibreur de charge, il distribue les requêtes aux instances répliquées du modèle. Le serveur de modèles traite la requête, exécute le modèle et renvoie l'inférence.

  6. Effectuer le scaling et surveiller votre déploiement d'inférence : effectuez le scaling de l'inférence avec AHP pour ajuster automatiquement les instances répliquées en fonction du processeur ou de la latence. L'autoscaler horizontal des pods (AHP) est un contrôleur Kubernetes qui augmente ou diminue automatiquement le nombre de pods dans une charge de travail (comme un déploiement) en fonction de métriques observées, telles que l'utilisation du processeur ou des métriques personnalisées. Utilisez Inference Quickstart pour obtenir des recommandations de scaling générées automatiquement. Pour suivre les performances, utilisez Cloud Monitoring et Cloud Logging avec l'observabilité prédéfinie, y compris des tableaux de bord pour les serveurs de modèles populaires tels que vLLM.

Pour obtenir des exemples détaillés utilisant des modèles, des serveurs de modèles et des accélérateurs spécifiques, consultez Exemples d'inférence.

Fonctionnalités d'IA générative de GKE

Vous pouvez utiliser ces fonctionnalités ensemble ou individuellement pour relever les principaux défis liés à la diffusion de modèles d'IA générative et à l'amélioration de l'utilisation des ressources dans votre environnement GKE, sans frais supplémentaires.

Nom Description Avantages
Guide de démarrage rapide de l'inférence GKE

Analysez les performances et la rentabilité de vos charges de travail d'inférence. Spécifiez les besoins de votre entreprise et obtenez des bonnes pratiques personnalisées pour la combinaison d'accélérateurs, de configurations de scaling et de stockage, et de serveurs de modèles qui répond le mieux à vos besoins. Vous pouvez accéder à ce service avec la gcloud CLI et la console Google Cloud .

Pour en savoir plus, consultez Analyser les performances et les coûts de la mise en service de modèles avec GKE Inference Quickstart.

  • Gagnez du temps en automatisant les étapes initiales de choix et de configuration de votre infrastructure.
  • Vous permet de garder le contrôle total de votre configuration Kubernetes pour l'ajuster davantage.
GKE Inference Gateway

Bénéficiez d'un routage basé sur des métriques, comme l'utilisation du cache KV, pour une meilleure latence.

Pour en savoir plus, consultez À propos de GKE Inference Gateway.

  • Partagez des modèles affinés qui utilisent des fichiers LoRA, avec une sélection de points de terminaison basée sur l'affinité pour plus de rentabilité.
  • Bénéficiez d'une haute disponibilité en accédant de manière dynamique à la capacité des GPU et des TPU dans toutes les régions.
  • Renforcez la sécurité de vos modèles avec les règles complémentaires de Model Armor.
Accélérateurs de chargement des pondérations de modèle

Accédez rapidement aux données dans Cloud Storage à l'aide de Cloud Storage FUSE avec la mise en cache et les téléchargements parallèles. Pour en savoir plus sur l'utilisation de Cloud Storage FUSE pour les charges de travail d'IA/de ML, consultez l'architecture de référence.

Google Cloud Managed Lustre est un système de fichiers parallèle hautes performances, entièrement géré et optimisé pour l'IA,qui peut être associé à au moins 10 000 pods. Pour en savoir plus sur l'utilisation de Managed Lustre pour les charges de travail d'IA/de ML, consultez l'architecture de référence.

Google Cloud Hyperdisk ML est un disque associé au réseau qui peut être associé à un maximum de 2 500 pods.

  • Optimisez le temps de démarrage de l'inférence en minimisant la latence de chargement des pondérations du modèle sur GKE.
  • Pour les déploiements avec un scaling de nœuds limité, envisagez d'utiliser Cloud Storage FUSE pour installer les pondérations de modèle.
  • Pour les charges de travail d'inférence qui nécessitent des performances de effectuer un scaling horizontal constantes, Google Cloud Managed Lustre permet un accès aux fichiers à haut débit et à faible latence à partir de plusieurs pods simultanément.
  • Pour les scénarios à grande échelle nécessitant un accès cohérent et à faible latence aux pondérations de modèles volumineux, Google Cloud Hyperdisk ML offre une solution de stockage de blocs dédiée.

Métriques de performances d'inférence

Pour optimiser vos charges de travail d'inférence, il est important de comprendre comment mesurer leurs performances. Le tableau suivant décrit les métriques clés permettant d'évaluer les performances d'inférence sur GKE.

Indicateurs de benchmark Métrique (unité) Description
Latence Délai d'émission du premier jeton (TTFT, en ms) Temps nécessaire pour générer le premier jeton d'une requête.
Délai normalisé par jeton de sortie (NTPOT, en ms) Latence de la requête normalisée par le nombre de jetons de sortie, mesurée en tant que request_latency / total_output_tokens.
Délai par jeton de sortie (TPOT) (ms) Temps nécessaire pour générer un jeton de sortie, mesuré en (request_latency - time_to_first_token) / (total_output_tokens - 1).
Latence entre jetons (ITL, en ms) Mesure la latence entre deux générations de jetons de sortie. Contrairement au TPOT, qui mesure la latence sur l'ensemble de la requête, l'ITL mesure le temps nécessaire pour générer chaque jeton de sortie individuel. Ces mesures individuelles sont ensuite agrégées pour produire des valeurs moyennes, médianes et de centile telles que p90.
Latence de la requête (ms) Temps de bout en bout pour traiter une requête.
Débit Requêtes par seconde Nombre total de requêtes que vous diffusez par seconde. Notez que cette métrique n'est peut-être pas un moyen fiable de mesurer le débit d'un LLM, car elle peut varier considérablement en fonction de la longueur du contexte.
Jetons de sortie par seconde Métrique courante mesurée sous la forme total_output_tokens_generated_by_server / elapsed_time_in_seconds.
Jetons d'entrée par seconde Mesuré en tant que total_input_tokens_generated_by_server / elapsed_time_in_seconds.
Jetons par seconde Mesuré en tant que total_tokens_generated_by_server / elapsed_time_in_seconds. Cette métrique comptabilise les jetons d'entrée et de sortie, ce qui vous aide à comparer les charges de travail avec des temps de préremplissage élevés par rapport à des temps de décodage élevés.

Planifier l'inférence

Pour réussir le déploiement de l'inférence, vous devez planifier soigneusement plusieurs aspects clés, y compris la rentabilité, les performances, la flexibilité, l'efficacité et la disponibilité de la capacité de l'accélérateur. Pour obtenir des recommandations détaillées sur la création d'une plate-forme d'inférence évolutive, performante et économique, consultez Présentation des bonnes pratiques d'inférence sur GKE.

Essayer des exemples d'inférence

Trouvez des exemples de déploiement GKE pour les modèles d'IA générative, les accélérateurs et les serveurs de modèles. Si vous débutez, nous vous recommandons de suivre le tutoriel Diffuser des modèles ouverts Gemma à l'aide de GPU sur GKE avec vLLM.

Vous pouvez également rechercher un tutoriel par mot clé :

Accélérateur Serveur de modèles Tutoriel
GPU vLLM Diffuser des LLM comme DeepSeek-R1 671B ou Llama 3.1 405B sur GKE
GPU vLLM Diffuser des modèles ouverts Gemma à l'aide de GPU sur GKE avec vLLM
GPU vLLM Diffuser un LLM avec GKE Inference Gateway
GPU vLLM Diffuser des LLM ouverts sur GKE avec une architecture préconfigurée
GPU Ray Serve Diffuser un LLM sur des GPU L4 avec Ray
GPU TGI Diffuser un LLM avec plusieurs GPU dans GKE
GPU TorchServe Diffuser T5 sur GKE avec TorchServe
TPU vLLM Diffuser un LLM à l'aide de TPU Trillium sur GKE avec vLLM
TPU vLLM Mettre en service un LLM à l'aide de TPU sur GKE avec KubeRay
TPU MaxDiffusion Diffuser Stable Diffusion XL (SDXL) à l'aide de TPU sur GKE avec MaxDiffusion
TPU vLLM Diffuser des LLM ouverts sur des TPU avec une architecture préconfigurée

Étapes suivantes

  • Consultez le portail d'orchestration d'IA/ML sur GKE pour découvrir nos guides officiels, nos tutoriels et nos cas d'utilisation pour l'exécution de charges de travail d'IA/ML sur GKE.
  • Découvrez des exemples expérimentaux d'utilisation de GKE pour accélérer vos initiatives d'IA/ML dans GKE AI Labs.