체인은 가장 약한 링크만큼 강력하며 AI/ML 인프라는 가장 느린 구성 요소만큼 빠릅니다. GPU를 사용하여 기계 학습 모델을 훈련하는 경우 약한 링크가 스토리지 솔루션이 될 수 있습니다. 그 결과는 제가 "GPU 부족 문제"라고 부르는 것입니다. GPU 부족 문제는 네트워크 또는 스토리지 솔루션이 GPU를 완전히 활용할 수 있을 만큼 빠르게 훈련 로직에 훈련 데이터를 제공할 수 없을 때 발생합니다. 증상은 꽤 분명합니다. GPU를 모니터링하는 경우 GPU가 완전히 활용되는 데 결코 가까워지지 않는다는 것을 알 수 있습니다. 훈련 코드를 계측한 경우 총 훈련 시간이 IO에 의해 좌우된다는 것을 알 수 있습니다.  불행하게도 이 문제로 고민하고 있는 사람들에게는 나쁜 소식이 있습니다. 이 문제가 앞으로 몇 년 동안 어떻게 더 악화될 것인지 이해하기 위해 GPU를 통해 이루어지고 있는 몇 가지 발전을 살펴보겠습니다.  GPU가 점점 빨라지고 있다  GPU가 점점 빨라지고 있습니다. 원시 성능이 향상될 뿐만 아니라 메모리와 대역폭도 증가합니다. Nvidia의 최신 GPU의 세 가지 특징을 살펴보겠습니다.  ,  그리고  .   A100   H100   H200  GPU  성능  메모리  메모리 대역폭  A100  624테라플롭  40GB  1,555GB/초  H100  1,979테라플롭스  80GB  3.35TB/초  H200  1,979테라플롭스  141GB  4.8TB/초   위 표에서는 A100용 PCIe(Peripheral Component Interconnect Express) 소켓 솔루션과 H100 및 H200용 SXM(Server PCI Express Module) 소켓 솔루션에 맞는 통계를 사용합니다. A100에 대한 SXM 통계는 존재하지 않습니다. 성능과 관련하여 부동 소수점 16 Tensor Core 통계가 비교에 사용됩니다.  위의 통계에 대한 몇 가지 관찰은 주목할 가치가 있습니다. 먼저 H100과 H200은 동일한 성능(1,979 TFLOPS)을 갖고 있어 A100보다 3.17배 향상됐다. H100은 A100보다 두 배 많은 메모리를 갖고 있으며 메모리 대역폭도 비슷한 양만큼 증가했습니다. 그렇지 않으면 GPU가 스스로 고갈될 것입니다. H200은 무려 141GB의 메모리를 처리할 수 있으며 메모리 대역폭도 다른 GPU에 비해 비례적으로 증가했습니다.  각 통계를 더 자세히 살펴보고 이것이 머신러닝에 어떤 의미인지 논의해 보겠습니다.    - 테라플롭(TFLOP)은 초당 1조(10^12) 부동 소수점 연산을 의미합니다. 이는 1 뒤에 0이 12개 있는 1입니다(1,000,000,000,000). 모델 교육 중에 발생하는 부동 소수점 연산에는 간단한 텐서 수학과 손실 함수(그라디언트라고도 함)에 대한 첫 번째 파생이 포함되므로 TFLOP를 기가바이트 단위의 IO 수요와 동일시하기가 어렵습니다. 그러나 상대적인 비교는 가능합니다. 위의 통계를 보면 둘 다 1,979 TFLOPS로 성능을 발휘하는 H100과 H200이 3배 더 빠르다는 것을 알 수 있습니다. 다른 모든 것이 따라잡을 수 있다면 잠재적으로 데이터를 3배 더 빠르게 소비할 수 있습니다. 성능    - 비디오 RAM 또는 그래픽 RAM이라고도 합니다. GPU 메모리는 시스템의 주 메모리(RAM)와 분리되어 있으며 그래픽 카드에서 수행되는 집약적인 그래픽 처리 작업을 처리하도록 특별히 설계되었습니다. GPU 메모리는 모델을 훈련할 때 배치 크기를 결정합니다. 과거에는 학습 로직을 CPU에서 GPU로 이동할 때 배치 크기가 줄어들었습니다. 그러나 GPU 메모리가 용량 측면에서 CPU 메모리를 따라잡으면 GPU 훈련에 사용되는 배치 크기가 늘어납니다. 성능과 메모리 용량이 동시에 증가하면 결과적으로 1GB의 훈련 데이터가 더 빠르게 처리되는 더 큰 요청이 발생합니다. GPU 메모리    - GPU 메모리 대역폭을 메모리와 계산 코어를 연결하는 "고속도로"로 생각하십시오. 단위 시간당 전송할 수 있는 데이터의 양을 결정합니다. 고속도로가 넓어지면 주어진 시간에 더 많은 자동차가 지나갈 수 있는 것처럼, 메모리 대역폭이 높을수록 메모리와 GPU 간에 더 많은 데이터가 이동할 수 있습니다. 보시다시피, 이러한 GPU의 설계자는 메모리에 비례하여 각 새 버전의 메모리 대역폭을 늘렸습니다. 따라서 칩의 내부 데이터 버스는 병목 현상이 발생하지 않습니다. 메모리 대역폭  미래를 들여다보다  2023년 8월 엔비디아는  가속 컴퓨팅 및 생성 AI를 위한 차세대 플랫폼인 GH200 Grace Hopper Superchip 플랫폼. 새로운 플랫폼은 다음을 사용합니다.  , 이는 다음을 통해 추가 슈퍼칩과 연결될 수 있습니다.  , 모델 훈련 및 추론 중에 함께 작업할 수 있습니다.   발표   그레이스 호퍼 슈퍼칩   엔비디아 NV링크  Grace Hopper Superchip의 모든 사양은 이전 칩에 비해 개선되었지만 AI/ML 엔지니어에게 가장 중요한 혁신은 통합 메모리입니다. Grace Hopper는 GPU에 CPU 메모리에 대한 전체 액세스 권한을 부여합니다. 과거에는 훈련에 GPU를 사용하려는 엔지니어가 먼저 데이터를 시스템 메모리로 가져온 다음 거기에서 데이터를 GPU 메모리로 이동해야 했기 때문에 이는 중요합니다. Grace Hopper를 사용하면 GPU에 데이터를 가져오기 위해 CPU 메모리를 바운스 버퍼로 사용할 필요가 없습니다.  몇 가지 주요 GPU 통계와 Grace Hopper의 기능을 간단히 비교하는 것은 GPU를 업그레이드하고 다른 모든 것이 유지되는지 확인하는 책임을 맡은 사람에게는 약간 두려운 일입니다. 스토리지 솔루션은 이러한 GPU 개선을 따라잡기 위해 더 빠른 속도로 데이터를 제공해야 합니다. 배고픈 GPU 문제에 대한 일반적인 솔루션을 살펴보겠습니다.  일반적인 솔루션  조직이 기존 스토리지 솔루션을 교체하거나 업그레이드할 필요가 없는 이 문제에 대한 일반적이고 확실한 솔루션이 있습니다. 기존 스토리지 솔루션을 그대로 유지하여 조직에 필요한 모든 엔터프라이즈 기능을 활용할 수 있습니다. 이 스토리지 솔루션은 조직의 모든 비정형 데이터를 보유하는 데이터 레이크일 가능성이 높습니다. 따라서 용량이 상당히 클 수 있으며 총 소유 비용을 고려해야 합니다. 또한 중복성, 안정성 및 보안을 위해 활성화된 많은 기능이 있으며, 이는 모두 성능에 영향을 미칩니다.  그러나 수행할 수 있는 작업은 컴퓨팅 인프라와 동일한 데이터 센터에 있는 스토리지 솔루션을 설정하는 것입니다. 이상적으로는 컴퓨팅과 동일한 클러스터에 있는 것입니다. 사용 가능한 최고의 저장 장치를 갖춘 고속 네트워크가 있는지 확인하십시오. 여기에서 ML 학습에 필요한 데이터만 복사합니다.  아마존이 최근 발표한  이 접근 방식을 예시합니다. 높은 처리량과 짧은 지연 시간에 최적화된 버킷 유형이며 단일 가용 영역(복제 없음)으로 제한됩니다. Amazon의 의도는 고객이 이를 사용하여 고속 액세스가 필요한 데이터 사본을 보관하는 것입니다. 따라서 모델 훈련을 위해 특별히 제작되었습니다. Amazon에 따르면 S3 Standard보다 10배 빠른 데이터 액세스 속도를 8배의 비용으로 제공합니다. Amazon S3 Express One Zone 평가에 대해 자세히 알아보세요.  .   Amazon S3 익스프레스 원 존   여기  MinIO 솔루션  위에서 설명한 일반적인 솔루션을 사용하려면 AWS가 더 높은 비용으로 특수 버킷을 제공하여 S3 스토리지 솔루션을 사용자 정의해야 했습니다. 또한 MinIO 고객이 아닌 일부 조직에서는 위에서 설명한 간단한 작업을 수행하는 특수 스토리지 솔루션을 구입하고 있습니다. 불행하게도 상대적으로 간단한 문제를 해결하려면 새로운 제품이 필요하기 때문에 기존 인프라에 복잡성이 추가됩니다.  아이러니한 점은 MinIO 고객이 항상 이 옵션을 가지고 있다는 것입니다. NVMe 드라이브가 있는 고속 네트워크에 MinIO를 새로 설치하면 위에서 설명한 것과 똑같은 작업을 수행할 수 있습니다. MinIO는 소프트웨어 정의 스토리지 솔루션입니다. 동일한 제품이 다양한 스토리지 장치를 사용하여 베어메탈 또는 선택한 클러스터에서 실행됩니다. 기업 데이터 레이크가 HDD가 포함된 베어메탈에서 MinIO를 사용하고 ML이 아닌 모든 데이터에 대해 제대로 작동하는 경우 이를 교체할 이유가 없습니다. 그러나 GPU를 사용하기 때문에 ML에 사용되는 데이터세트에 더 빠른 IO가 필요한 경우 이 게시물에서 설명한 접근 방식을 고려해 보세요. MinIO의 고속 인스턴스에 사용할 ML 데이터의 복사본을 만드십시오. MinIO의 강화된 설치에는 골드 복사본이 항상 존재해야 합니다. 이를 통해 MinIO의 고속 인스턴스에서 복제 및 암호화와 같은 기능을 비활성화하여 성능을 더욱 향상시킬 수 있습니다. MinIO를 사용하면 데이터 복사가 쉽습니다.  특징.    미러링  MinIO는 배고픈 GPU를 공급하는 데 필요한 성능을 제공합니다.  기성 NVMe SSD 노드 32개만으로 GET에서 325GiB/s, PUT에서 165GiB/s를 달성했습니다.   최근 벤치마크  다운로드  지금 데이터 레이크하우스를 구축하는 것이 얼마나 쉬운지 알아보세요. 궁금한 점이 있으면 다음 주소로 문의해 주세요.  !   미니IO   느슨하게    나타납니다. 여기에도

Developers do. Download MinIO and see for yourself. 

MinIO

이 오디오는 이야기의 원래 언어로 제작되었습니다!

너무 오래; 읽다

Make resilience your competitive advantage

배고픈 GPU에는 빠른 개체 스토리지가 필요합니다

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps