개요
연속 일괄 처리는 전체 고정 일괄 처리가 완료될 때까지 기다리는 대신 실행 중인 일괄 처리에서 토큰별로 요청을 추가하고 제거하는 제공 기술입니다. 이는 GPU를 지속적으로 바쁘게 유지하고 AI 모델이 한 번에 서비스를 제공할 수 있는 사용자 수를 급격히 증가시킵니다.
지속적 배치는 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 구성 요소입니다.
심층 분석
GPU는 많은 요청을 일괄 처리할 때 가장 빠릅니다. 순진한 접근 방식인 정적 일괄 처리는 고정된 요청 세트를 그룹화하고 모두 실행하여 완료한 후 다음 일괄 처리를 시작합니다. 문제: 언어 모델 출력의 길이는 매우 다양하므로 짧은 요청은 일찍 완료되고 해당 슬롯은 배치가 가장 긴 요청을 기다리는 동안 유휴 상태가 되어 GPU 주기를 낭비하고 새로운 도착이 지연됩니다. 연속 일괄 처리(기내 또는 반복 수준 일괄 처리라고도 하며 Orca 문서에서 대중화되고 vLLM, TensorRT-LLM 및 TGI에서 사용됨)는 단일 디코딩 단계의 세분성에서 작동합니다. 각 토큰이 생성된 후 완료된 시퀀스는 배치를 종료하고 새로 도착한 요청은 즉시 슬롯에 추가됩니다. 이는 배치를 가득 채우고 GPU를 포화 상태로 유지하여 대기 사용자의 대기 시간을 낮추고 처리량을 여러 배로 높이는 경우가 많습니다.
기술적 통찰력
주요 변화는 전체 요청을 일괄 처리하는 것에서 개별 반복을 일괄 처리하는 것입니다. 모든 디코딩 단계에서 스케줄러는 활성 세트를 구축합니다. 즉, 모든 진행 중인 시퀀스에 대해 하나의 정방향 패스를 실행하고, 각각 하나의 토큰을 내보내고, 시퀀스 끝 토큰 또는 길이 제한에 도달한 모든 항목을 제거하고, 해제된 슬롯을 채우기 위해 대기 중인 요청을 허용합니다. 이를 PagedAttention의 유연한 KV 메모리와 결합하면 각 시퀀스의 캐시가 독립적인 블록에 있기 때문에 비행 중에 시퀀스를 삽입하고 제거하는 비용이 저렴해집니다.
연속 배치 마스터하기
연속 일괄 처리는 전체 고정 일괄 처리가 완료될 때까지 기다리는 대신 실행 중인 일괄 처리에서 토큰별로 요청을 추가하고 제거하는 제공 기술입니다. 이는 GPU를 지속적으로 바쁘게 유지하고 AI 모델이 한 번에 서비스를 제공할 수 있는 사용자 수를 급격히 증가시킵니다. 지속적 배치는 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 구성 요소입니다. 깊은 이해를 구축하려면 연속 일괄 처리를 단일 기능이 아닌 운영 모델로 취급하십시오. 원하는 결과를 정의하고, 가정을 명확히 하고, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Continuous Batching을 사용하는 강력한 팀은 안정성과 비용에 맞춰 아키텍처, 데이터 및 인프라 선택을 최적화합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 동시에 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
새로 도착한 사용자 메시지를 다음 배치를 위해 대기열에 넣지 않고 즉시 실행 중인 배치에 허용하는 채팅 API
배치 중간에 완성된 짧은 답변을 제거하고 슬롯을 다시 채워 GPU가 오랜 세대를 기다리며 유휴 상태가 되지 않도록 합니다.
지속적인 일괄 처리와 vLLM의 PagedAttention을 결합하여 각 디코딩 단계에서 시퀀스를 저렴하게 삽입 및 제거
배치를 전체 상태로 유지하여 폭주하는 가변 길이 트래픽에서 초당 높은 토큰을 유지하는 코드 완성 서비스
구현 패턴
연속 배칭의 실제 사례
새로 도착한 사용자 메시지를 다음 배치를 위해 대기열에 넣지 않고 즉시 실행 중인 배치에 허용하는 채팅 API입니다.
새로 도착한 사용자 메시지를 다음 배치를 위해 대기열에 넣지 않고 즉시 실행 중인 배치에 허용하는 채팅 API 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
연속 배칭의 실제 사례
짧은 완성 답변을 배치 중간에 제거하고 슬롯을 다시 채워 GPU가 오랜 세대를 기다리며 유휴 상태가 되지 않도록 합니다.
짧은 완성 답변을 배치 중간에 제거하고 슬롯을 다시 채워 GPU가 오랜 세대를 기다리며 유휴 상태가 되지 않도록 합니다. 일반적으로 팀은 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
연속 배칭의 실제 사례
지속적인 일괄 처리와 vLLM의 PagedAttention을 결합하여 각 디코딩 단계에서 시퀀스를 저렴하게 삽입하고 제거합니다.
지속적인 배치 처리와 vLLM의 PagedAttention을 결합하여 각 디코드 단계에서 시퀀스를 저렴하게 삽입 및 제거합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
연속 배칭의 실제 사례
배치를 가득 찬 상태로 유지하여 급증하는 가변 길이 트래픽에서 초당 높은 토큰을 유지하는 코드 완성 서비스입니다.
배치 전체를 유지하여 폭증하는 가변 길이 트래픽에서 초당 높은 토큰을 유지하는 코드 완성 서비스 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.