Skalierbare KI/ML-Infrastrukturen

Wie Sie abseits der Hypes resiliente, hochautomatisierte und autoskalierbare Systeme für Produktiv-Workloads aufbauen, zeigt Ihnen Oliver Liebel in diesem Wegweiser. Sie erfahren, wie Sie NVIDIAs Datacenter-GPUs nahtlos in Hypervisoren und moderne Container-Infrastrukturen integrieren, sie Operator-gestützt mit Kubernetes bzw. OpenShift verwalten und daraus praxistaugliche Setups machen.
Betrachtet wird der ganze Infrastruktur-Stack: Von On-Premises-Installationen auf vSphere oder Cloud-Setups auf GCP und AWS über Plattform-Automation per IaaS/IaC sowie den GPU- und Network-Operatoren bis hin zu einem Ausblick auf AI End-to-End-Tool-Stacks. Aus dem Inhalt:

Dipl.-Ing. Oliver Liebel ist LPI-zertifizierter Linux-Enterprise-Experte undoffizieller Business Partner von SUSE und Red Hat. Als Dozent, Autor, Berater und Projektleiter ist er seit vielen Jahren für namhafte Unternehmen, internationale Konzerne und Institutionen auf Landes- und Bundesebene tätig. Dabei blickt er auf 25 Jahre Berufserfahrung zurück.

1. Vorwort ... 19
1.1 ... Vorbemerkungen ... 28
1.2 ... Was dieses Buch sein bzw. nicht sein soll ... 31
1.3 ... Wie dieses Buch zu lesen ist ... 34
1.4 ... Thematischer Überblick - was wird in welchen Kapiteln behandelt ... 34
TEIL I. Technische Foundations zu skalierbaren KI/ML-Infrastrukturen ... 39
2. Am Anfang war die Dunkelheit ... 41
2.1 ... Eine kurze Einführung: KI/ML-Systeme - und alles wird gut. Oder eher nicht? ... 42
2.2 ... Use Cases für KI/ ML-Anwendungen - Auszüge ... 45
2.3 ... Fehlerfreie KI? Sicher nicht. ... 50
2.4 ... Einige Grundbegrifflichkeiten im KI/ML-Kontext ... 52
3. High-Level-Vorbetrachtungen zur Implementierung von skalierbaren KI/ML-Infrastrukturen ... 65
3.1 ... Bare-Metal, Virtualisierung, Containerisierung ... 65
3.2 ... Generelle Infrastruktur-Fragen: Cloud vs. On-Prem, Managed Server, hybrider Mischbetrieb, dedizierte KI-Plattformen (NVIDIA DGX) ... 69
3.3 ... Entscheidungshilfe: Reguläre GPU-Server, KI/ML-Boliden wie DGX oder alles in die Cloud? ... 85
3.4 ... Generelle GPU-Hardware-Fragen: NVIDIA vs. AMD vs. Intel vs. Googles TPU ... 86
4. NVIDIA-Datacenter-GPUs und mehr - technischer Background ... 93
4.1 ... NVIDIA und ML-Cluster ... 93
4.2 ... Partitionierte GPUs mit NVIDIAs vGPU und MIG ... 95
4.3 ... vGPU - Virtual GPU ... 97
4.4 ... MIG - Multi-Instance GPU ... 113
4.5 ... MIG: Multi-Tenancy revisited ... 128
4.6 ... Technische Daten und Preise ausgewählter NVIDIA Datacenter-GPUs ... 134
4.7 ... GPU-Time-Slicing und GPU-Overcommitment ... 137
4.8 ... NVLink und NVSwitch: GPU Big Blocks - Bündelung multipler GPUs ... 139
4.9 ... GPUDirect (RDMA) ... 142
4.10 ... GPU-Performance in ML-Trainings - Bare-Metal vs. vGPU/MIG ... 145
4.11 ... NVIDIA-Datacenter-Produkte: The Road Ahead ... 149
TEIL II. Implementierung von skalierbaren KI/ML-Infrastrukturen ... 151
5. Implementierung: vSphere als Hypervisor für skalierbare ML-Infrastrukturen ... 153
5.1 ... Hardware-Voraussetzungen und Vorbetrachtungen (vSphere/On-Prem) ... 153
5.2 ... Preflights ... 154
5.3 ... Setup des GPU-Managers/vGPU-Host-Drivers (ESXi/vSphere 7) ... 160
5.4 ... VM-Templates mit GPUs erstellen ... 164
5.5 ... MIG-Mode auf dem Hypervisor aktivieren ... 171
6. Der NVIDIA AI Enterprise (NVAIE)-Stack - infrastrukturrelevante Betrachtungen ... 181
6.1 ... Vorbetrachtungen ... 181
6.2 ... Motivation ... 182
6.3 ... Plattformen für NVAIE ... 183
6.4 ... NVAIE vs. vGPU vs. Free GPU Operator ... 185
6.5 ... NVAIE in der Public Cloud ... 186
6.6 ... NVAIE ist Pflicht für skalierbare ML-Cluster? ... 187
6.7 ... NVAIE als AI-End-to-End-Platform ... 187
7. vGPU-/NVAIE-Preflights: Lizenzierung ... 189
7.1 ... Grundsätzliches: vGPU- vs. NVAIE-Lizenzen und DLS vs. CLS ... 189
7.2 ... NVIDIA Licensing System (NLS) ... 194
7.3 ... License Server: DLS vs. CLS ... 196
7.4 ... Self-Hosted License Server: DLS und Legacy License Server ... 197
7.5 ... Cloud-Hosted License Server: CLS ... 205
8. Kubernetes-basierte Plattformen für skalierbare, GPU-Accelerated KI/ML-Cluster ... 209
8.1 ... The Road so far ... 209
8.2 ... Generelle Plattform-Fragen: (Vanilla-)Kubernetes-Derivate und OpenShift im Überblick ... 211
8.3 ... Vanilla Kubernetes ... 213
8.4 ... VMwares Tanzu und das Eckige, das durchs Runde soll ... 217
8.5 ... OpenShift ... 219
8.6 ... Abschließende LTS-Betrachtungen ... 220
8.7 ... Kubernetes-Basics - Aufbau des Systems ... 222
8.8 ... Kubernetes-Basics - Ressourcen/Workloads ... 225
8.9 ... Sonstige im Folgenden verwendete, Kubernetes-spezifische Tools ... 236
9. Preflights für GPU-Accelerated Container-Cluster: Operatoren ... 241
9.1 ... Generelle Vorbetrachtungen zum Thema Operatoren ... 241
9.2 ... Operator-Typen und Maturitäts-Level: Helm vs. Ansible vs. Go ... 247
9.3 ... Die wichtige Rolle von Operatoren im auto-skalierbaren KI/ML-Stack ... 250
9.4 ... NVIDIAs GPU-Operator - die Architektur ... 251
9.5 ... Automatische Provisionierung eines Nodes durch den GPU-Operator ... 258
9.6 ... NVIDIAs Network-Operator - die Architektur ... 268
9.7 ... Komponenten des Network-Operators im Überblick ... 270
10. OpenShift (GPU-Accelerated) - Multiplatform (Cloud und On-Premises) ... 273
10.1 ... Theoretische Vorbetrachtungen ... 273
10.2 ... Konzeptionelle Vorbetrachtungen zum Setup (On-Prem mit vSphere) ... 275
10.3 ... On-Premises: OpenShift 4.10-Setup - Installer Provisioned Infrastructure (IPI) auf vSphere ... 277
10.4 ... Preflights für skalierbare GPU-Nodes unter OpenShift: MachineSets, MachineConfigs und Machine-/Cluster-Autoscaler ... 286
10.5 ... Cluster-Autoscaler/Machine-Autoscaler ... 294
10.6 ... vGPU-/MIG-spezifisches Setup des OpenShift-Clusters: NFD- und GPU-Operator ... 306
10.7 ... Automatisches vGPU-Node-Setup per Operator - OpenShift-MachineSet mit Tesla T4 ... 320
10.8 ... Automatisches MIG-Slice-Setup per Operator - A30 on-premises ... 327
10.9 ... Cloud: GPU-MachineSets in OpenShift 4.10 unter GCP mit A100-Instanzen (MIG-Partitionen via Operator) ... 333
10.10 ... GPU-Sharing/-Overcommitment ... 353
10.11 ... Setup des Network-Operators (OpenShift on vSphere [IPI]) für GPUDirect RDMA ... 371
10.12 ... KI/ML-System-Performance-Test (OpenShift on DGX) ... 386
10.13 ... GPU-Dashboard für OpenShift ... 387
11. GKE - Google Kubernetes Engine Cluster (GPU-Accelerated) ... 389
11.1 ... Überblick ... 389
11.2 ... Setup-Variante 1: GKE-Cluster mit separatem Node-Pool für GPU-Nodes ... 390
11.3 ... Setup-Variante 2: GPU-Cluster auf GKE direkt ausrollen ... 395
TEIL III. ML-Stacks für skalierbare KI/ML-Infrastrukturen ... 397
12. CI/CD-Pipelines, GitOps und MLOps ... 399
12.1 ... Von der (ML-)Insel zur Pipeline ... 399
12.2 ... CI/CD und GitOps ... 400
12.3 ... GitOps-Pipeline-Modelle ... 401
12.4 ... MLOps, LTS und Portierbarkeit ... 404
13. ML-Pipeline- und AI-End-to-End-Implementierungen mit Kubeflow/Vertex AI, Open Data Hub und NVIDIA AI Enterprise ... 411
13.1 ... ML-Pipeline-Implementierungen in Kubernetes-basierten Clustern ... 411
13.2 ... Kubeflow ... 417
13.3 ... Hands-on: Kubeflow unter GKE in der Praxis ... 422
13.4 ... Open Data Hub ... 430
13.5 ... Hands-on: Open-Data-Hub-Setup unter OpenShift ... 433
13.6 ... NVIDIA AI Enterprise (AI-End-to-End-relevante Betrachtungen) ... 442
13.7 ... Hands-on: NVIDIA AI Enterprise (AI End-to-End) unter OpenShift ... 447
14. The Road Ahead ... 459
Index ... 463