Vor Ort
Merkzettel Warenkorb
Produktbild: Skalierbare KI/ML-Infrastrukturen

Skalierbare KI/ML-Infrastrukturen NVIDIA-GPUs in Container-Systemen – Expertenwissen zur Evaluierung, Automatisierung und für die Praxis

Aus der Reihe Rheinwerk Computing

79,90 €

inkl. MwSt, Versandkostenfrei

Beschreibung

Details

Einband

Gebundene Ausgabe

Erscheinungsdatum

05.01.2023

Verlag

Rheinwerk

Seitenzahl

468

Maße (L/B/H)

24,8/19,9/3,2 cm

Gewicht

1134 g

Auflage

1

Sprache

Deutsch

ISBN

978-3-8362-7393-0

Beschreibung

Rezension

»Im Rahmen dieser Buchbesprechung ist es gerade einmal möglich, an der Oberfläche von Oliver Liebels Werk zu kratzen. Das liegt weniger an den rund 470 Seiten, als vielmehr am wahrlich komprimierten Inhalt, den der Autor verständlich vermittelt. Er führt Schritt für Schritt durch das Planen und Aufbauen einer eigenen ML/KI-Infrastruktur, ohne unnötige Worte zu verlieren. Auf den Punkt geschrieben, setzt er allerdings Vorkenntnisse in Sachen IT-Administration, Virtualisierung wie auch Cluster voraus.«
»Sehr gut für den Admin- bzw. DevOps-Bereich in mittleren oder größeren Enterprise-Umgebungen geeignet.«

Details

Einband

Gebundene Ausgabe

Erscheinungsdatum

05.01.2023

Verlag

Rheinwerk

Seitenzahl

468

Maße (L/B/H)

24,8/19,9/3,2 cm

Gewicht

1134 g

Auflage

1

Sprache

Deutsch

ISBN

978-3-8362-7393-0

Herstelleradresse

Rheinwerk Verlag GmbH
Rheinwerkallee 4
53227 Bonn
DE

Email: Info@rheinwerk-verlag.de

Weitere Bände von Rheinwerk Computing

Unsere Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Erste Bewertung verfassen

Unsere Kundinnen und Kunden meinen

0 Bewertungen filtern

Weitere Artikel finden Sie in
Die Leseprobe wird geladen.
  • Produktbild: Skalierbare KI/ML-Infrastrukturen


  •   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