NVIDIA NeMo Inference Microservice 배포 작업

확장 가능한 모델 서빙을 위해 W&B Launch를 사용해 W&B 모델 artifact를 NVIDIA NeMo Inference Microservice에 배포합니다.

W&B의 모델 artifact를 NVIDIA NeMo Inference Microservice에 배포합니다. 이를 위해 W&B Launch를 사용합니다. W&B Launch는 모델 artifact를 NVIDIA NeMo Model로 변환한 뒤, 실행 중인 NIM/Triton 서버에 배포합니다.

현재 W&B Launch는 다음 호환 모델 유형을 지원합니다:

1. Llama2
2. StarCoder
3. NV-GPT (곧 제공 예정)

배포 시간은 모델과 머신 유형에 따라 달라집니다. 기본 Llama2-7b 설정은 Google Cloud의 a2-ultragpu-1g에서 약 1분 정도 걸립니다.

퀵스타트

1. 아직 없다면 Launch 큐를 생성하세요. 아래에 예시 큐 설정이 나와 있습니다.

   net: host
   gpus: all # 특정 GPU 집합을 지정하거나, 모든 GPU를 사용하려면 `all`을 사용할 수 있습니다
   runtime: nvidia # nvidia container runtime도 필요합니다
   volume:
     - model-store:/model-store/
   
   

2. 프로젝트에 이 작업을 생성합니다:

   wandb job create -n "deploy-to-nvidia-nemo-inference-microservice" \
      -e $ENTITY \
      -p $PROJECT \
      -E jobs/deploy_to_nvidia_nemo_inference_microservice/job.py \
      -g andrew/nim-updates \
      git https://github.com/wandb/launch-jobs
   

3. GPU 머신에서 agent를 실행합니다:

   wandb launch-agent -e $ENTITY -p $PROJECT -q $QUEUE
   

4. Launch UI에서 원하는 설정으로 배포 launch 작업을 제출합니다.

   1. CLI를 통해서도 제출할 수 있습니다:
      wandb launch -d gcr.io/playground-111/deploy-to-nemo:latest \
        -e $ENTITY \
        -p $PROJECT \
        -q $QUEUE \
        -c $CONFIG_JSON_FNAME
      
      

5. Launch UI에서 배포 진행 상태를 추적할 수 있습니다.

   

6. 완료되면 바로 엔드포인트에 curl 요청을 보내 모델을 테스트할 수 있습니다. 모델 이름은 항상 ensemble입니다.

    #!/bin/bash
    curl -X POST "http://0.0.0.0:9999/v1/completions" \
        -H "accept: application/json" \
        -H "Content-Type: application/json" \
        -d '{
            "model": "ensemble",
            "prompt": "Tell me a joke",
            "max_tokens": 256,
            "temperature": 0.5,
            "n": 1,
            "stream": false,
            "stop": "string",
            "frequency_penalty": 0.0
            }'