Ir al contenido
IA para hoy
Empresa y transformación digital Producto 3/5 · Una fuente fiable

AWS documenta cómo compartir una GPU A10G entre dos pods de Kubernetes con NVIDIA Run:ai

Fotografía de archivo que ilustra: AWS documenta cómo compartir una GPU A10G entre dos pods de Kubernetes con NVIDIA Run:ai
Foto: Schäferle · Licencia Pixabay · Pixabay

Hecho Qué ha ocurrido

AWS publicó un tutorial para ejecutar dos pods de Kubernetes con límites de memoria GPU de 8 GiB cada uno en una misma GPU NVIDIA A10G de una instancia g5.xlarge en Amazon EKS, usando NVIDIA Run:ai GPU Fractioning. En la prueba, cada pod asignó 6 GiB y una asignación de 9 GiB fue rechazada. El texto indica que el enfoque requiere comprobaciones de compatibilidad y que la prueba se limitó a memoria, no a aislamiento de fallos ni rendimiento de cómputo.

Resumen generado mediante IA a partir de AWS Machine Learning Blog (original en inglés). Naturaleza de la información: declaración de parte interesada.

Análisis Por qué importa

Permite a equipos que comparten GPU sin MIG imponer límites de memoria por pod en Kubernetes, lo que puede reducir colas en notebooks y pruebas de modelos. El propio artículo advierte de que no implica ganancia de rendimiento ni reducción universal de costes.

Quién se ve afectado
Equipos de plataforma y MLOps que gestionan clústeres de Kubernetes con GPU compartida.
Qué puede cambiar
Podría facilitar que varios equipos compartan una GPU en cargas pequeñas (notebooks, evaluaciones, inferencia ligera) sin esperar a que la GPU esté libre, siempre con pruebas previas de latencia bajo carga.

Análisis generado a partir de la información disponible; no procede de la fuente.

Predicción Qué observar a continuación

Compatibilidad del operador con drivers R615 o posteriores en imágenes de proveedores gestionados y la evolución de las alternativas de Amazon EKS (MIG, time-slicing, DRA).

Recomendación Qué debería hacer una empresa

Si su equipo comparte GPUs sin MIG, evaluar en un entorno de pruebas en los próximos 3 meses si el límite de memoria por pod resuelve las colas, midiendo latencia bajo carga concurrente.

Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.

Compartir WhatsApp LinkedIn X Bluesky Telegram
Enviar esta noticia por correo

Se envía esta noticia con su análisis. La dirección se usa solo para ese envío y no se guarda.

Protección de datos. Responsable: Fernando Lobato, PhD. Finalidad: hacer el envío que pides. Base: nuestro interés legítimo. Lo envía Resend; la comprobación de robots es de Cloudflare. Puedes acceder a tus datos, pedir que los borremos y ejercer tus demás derechos como explica la política de privacidad.

Fuente original: AWS Machine Learning Blog (fuente primaria). La referencia es siempre el artículo original.

Ver fuente original ↗

KubernetesGPU sharingMPS AWSNVIDIA A10G Amazon EKS GPU Kubernetes NVIDIA Run:ai

Relacionadas

AWS publica arquitectura de referencia para compartir clústeres GPU de SageMaker HyperPod entre equipos

AWS presenta en su blog de Machine Learning una arquitectura de referencia para que varios equipos compartan un mismo clúster de Amazon SageMaker HyperPod…

Por qué importaOfrece a las empresas un modelo práctico para rentabilizar infraestructura GPU cara compartiéndola entre varios equipos sin perder aislamiento ni…

Impacto bajo Fiabilidad una fuente fiable AWS Machine Learning Blog

AWS y NVIDIA amplían colaboración con más de 1 millón de GPUs Blackwell en 2026

AWS y NVIDIA anunciaron en GTC 2026 una expansión de su colaboración con nuevas integraciones tecnológicas. AWS desplegaría más de 1 millón de GPUs NVIDIA…

Por qué importaEsta profundización de la colaboración de 15 años refuerza la capacidad de AWS para ejecutar cargas de IA en producción a escala empresarial…

Impacto alto Fiabilidad fuente primaria Relevancia 8/10 AWS Machine Learning Blog

NVIDIA dona gestor de recursos GPU a Kubernetes para infraestructura de IA empresarial

NVIDIA ha donado el controlador de asignación dinámica de recursos (DRA) para GPUs a la Cloud Native Computing Foundation (CNCF), trasladando su gobernanza a…

Por qué importaLa mayoría de empresas ejecutan cargas de trabajo de IA sobre Kubernetes, por lo que estandarizar y abrir la gestión de recursos GPU reduce la…

Impacto alto Fiabilidad fuente primaria Relevancia 7/10 NVIDIA Blog

AWS añade a SageMaker Inference la partición de GPU con MIG para alojar varios modelos en una misma GPU

AWS anuncia que Amazon SageMaker Inference admite particionar GPUs con NVIDIA Multi-Instance GPU (MIG), que divide una GPU física en particiones aisladas por…

Por qué importaPermite desplegar más modelos que GPUs físicas con aislamiento de memoria y rendimiento, y elegir una fracción de GPU en lugar de una completa, lo…

Impacto medio Fiabilidad una fuente fiable AWS Machine Learning Blog

Tu opinión

0 comentarios

Escribe un comentario

Sin registro. La primera vez te pediremos confirmar el correo y el comentario pasará por moderación; después se publican al momento si cumplen las normas y firmas con el mismo nombre.

Protección de datos. Responsable: Fernando Lobato, PhD. Finalidad: publicar y moderar tu comentario y evitar abusos. Base: tu consentimiento y, contra los abusos, nuestro interés legítimo. Se publica tu nombre, no tu correo. El texto pasa por un filtro con IA de Anthropic, en Estados Unidos, sin tu nombre ni tu correo, y se guarda un resumen de tu IP 90 días. La comprobación de robots es de Cloudflare. Puedes acceder a tus datos, pedir que los borremos y ejercer tus demás derechos como explica la política de privacidad.