Google Cloud (California) telah mengumumkan solusi baru untuk inferensi model AI yang efisien. Solusi ini menggunakan NVIDIA Dynamo untuk memungkinkan inferensi terdistribusi, yang memisahkan fase pemrosesan model untuk meningkatkan performa dan efisiensi biaya.

Secara khusus, ia menggunakan Google Kubernetes Engine (GKE), mesin inferensi vLLM, dan instans GPU A3 Ultra yang dipercepat yang dilengkapi dengan GPU NVIDIA H200, sehingga memudahkan penerapan NVIDIA Dynamo pada hiperkomputer AI Google Cloud, mencapai kinerja tinggi dan efisiensi inferensi sekaligus memenuhi persyaratan latency aplikasi AI.

Arsitektur inferensi terdistribusi mendistribusikan tahap pra-pengisian dan dekode ke kumpulan GPU terpisah, memastikan bahwa pemrosesan perintah yang intensif komputasi tidak mengganggu pembuatan token yang cepat. Dynamo mendukung mesin inferensi seperti SGLang, TensorRT-LLM, dan vLLM, sehingga meningkatkan throughput keseluruhan.

Dengan resep inferensi terdistribusi baru ini, Google Cloud bertujuan untuk meningkatkan performa dan mengurangi biaya aplikasi Generative AI . Para pengembang dapat menemukan resep ini di repositori sumber daya AI Hypercomputer di GitHub dan menggunakannya untuk membangun layanan berbasis AI generasi berikutnya.