Entrega un LLM con la puerta de enlace de inferencia de GKE

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Obtén acceso al modelo

Para implementar el modelo Llama3.1 en GKE, firma el acuerdo de consentimiento de licencia y genera un token de acceso de Hugging Face.

Firma el acuerdo de consentimiento de licencia

Debes firmar el acuerdo de consentimiento para usar el modelo Llama3.1. Sigue estas instrucciones:

1. Accede a la página de consentimiento y verifica el consentimiento para usar tu cuenta de Hugging Face.
2. Acepta los términos del modelo.

Genera un token de acceso

Para acceder al modelo a través de Hugging Face, necesitas un token de Hugging Face.

Sigue estos pasos para generar un token nuevo si aún no tienes uno:

1. Haz clic en Tu perfil > Configuración > Tokens de acceso.
2. Selecciona Token nuevo.
3. Especifica el nombre que desees y un rol de al menos Read.
4. Selecciona Generate un token.
5. Copia el token generado al portapapeles.

Prepara el entorno

En este instructivo, usarás Cloud Shell para administrar recursos alojados en Google Cloud. Cloud Shell tiene preinstalado el software que necesitas para este instructivo, incluidos kubectl y la CLI de gcloud.

Para configurar tu entorno con Cloud Shell, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en Activar Cloud Shell en la consola de Google Cloud para iniciar una sesión de Cloud Shell. Esto inicia una sesión en el panel inferior de la consola de Google Cloud.

2. Configura las variables de entorno predeterminadas:

   gcloud config set project PROJECT_ID
   export PROJECT_ID=$(gcloud config get project)
   export REGION=REGION
   export CLUSTER_NAME=CLUSTER_NAME
   export HF_TOKEN=HF_TOKEN
   

   Reemplaza los siguientes valores:

   • PROJECT_ID: Es el Google Cloud ID de tu proyecto.
   • REGION: Una región que admita el tipo de acelerador que deseas usar, por ejemplo, us-central1 para la GPU H100.
   • CLUSTER_NAME: El nombre de tu clúster.
   • HF_TOKEN: El token de Hugging Face que generaste antes.

Crea y configura recursos Google Cloud

Para crear los recursos necesarios, sigue estas instrucciones.

Crea un clúster de GKE y un grupo de nodos

Entrega LLM en GPU en un clúster de GKE Autopilot o Standard. Te recomendamos que uses un clúster de Autopilot para una experiencia de Kubernetes completamente administrada. Para elegir el modo de operación de GKE que se adapte mejor a tus cargas de trabajo, consulta Elige un modo de operación de GKE.

gcloud container clusters create-auto CLUSTER_NAME \
    --project=PROJECT_ID \
    --region=REGION \
    --release-channel=rapid \
    --cluster-version=1.32.3-gke.1170000

1. Para configurar la autorización para extraer métricas, crea el secreto inference-gateway-sa-metrics-reader-secret:

   kubectl apply -f - <<EOF
   ---
   apiVersion: rbac.authorization.k8s.io/v1
   kind: ClusterRole
   metadata:
     name: inference-gateway-metrics-reader
   rules:
   - nonResourceURLs:
     - /metrics
     verbs:
     - get
   ---
   apiVersion: v1
   kind: ServiceAccount
   metadata:
     name: inference-gateway-sa-metrics-reader
     namespace: default
   ---
   apiVersion: rbac.authorization.k8s.io/v1
   kind: ClusterRoleBinding
   metadata:
     name: inference-gateway-sa-metrics-reader-role-binding
     namespace: default
   subjects:
   - kind: ServiceAccount
     name: inference-gateway-sa-metrics-reader
     namespace: default
   roleRef:
     kind: ClusterRole
     name: inference-gateway-metrics-reader
     apiGroup: rbac.authorization.k8s.io
   ---
   apiVersion: v1
   kind: Secret
   metadata:
     name: inference-gateway-sa-metrics-reader-secret
     namespace: default
     annotations:
       kubernetes.io/service-account.name: inference-gateway-sa-metrics-reader
   type: kubernetes.io/service-account-token
   ---
   apiVersion: rbac.authorization.k8s.io/v1
   kind: ClusterRole
   metadata:
     name: inference-gateway-sa-metrics-reader-secret-read
   rules:
   - resources:
     - secrets
     apiGroups: [""]
     verbs: ["get", "list", "watch"]
     resourceNames: ["inference-gateway-sa-metrics-reader-secret"]
   ---
   apiVersion: rbac.authorization.k8s.io/v1
   kind: ClusterRoleBinding
   metadata:
     name: gmp-system:collector:inference-gateway-sa-metrics-reader-secret-read
     namespace: default
   roleRef:
     name: inference-gateway-sa-metrics-reader-secret-read
     kind: ClusterRole
     apiGroup: rbac.authorization.k8s.io
   subjects:
   - name: collector
     namespace: gmp-system
     kind: ServiceAccount
   EOF
   

Crea un secreto de Kubernetes para las credenciales de Hugging Face

En Cloud Shell, haz lo siguiente:

1. Para comunicarte con tu clúster, configura kubectl:

     gcloud container clusters get-credentials CLUSTER_NAME \
         --location=REGION
   

   Reemplaza los siguientes valores:

   • REGION: Una región que admita el tipo de acelerador que deseas usar, por ejemplo, us-central1 para la GPU H100.
   • CLUSTER_NAME: El nombre de tu clúster.

2. Crea un Secret de Kubernetes que contenga el token de Hugging Face:

     kubectl create secret generic HF_SECRET \
         --from-literal=hf_api_token=HF_TOKEN \
         --dry-run=client -o yaml | kubectl apply -f -
   

   Reemplaza lo siguiente:

   • HF_TOKEN: El token de Hugging Face que generaste antes.
   • HF_SECRET: Es el nombre de tu secreto de Kubernetes. Por ejemplo, hf-secret

Instala las CRD InferenceModel y InferencePool

En esta sección, instalarás las definiciones de recursos personalizados (CRD) necesarias para la puerta de enlace de inferencia de GKE.

Las CRD extienden la API de Kubernetes. Esto te permite definir tipos de recursos nuevos. Para usar la puerta de enlace de inferencia de GKE, instala las CRD InferencePool y InferenceModel en tu clúster de GKE. Para ello, ejecuta el siguiente comando:

kubectl apply -f https://github.com/kubernetes-sigs/gateway-api-inference-extension/releases/download/v0.3.0/manifests.yaml

Implementa el servidor de modelos

En este ejemplo, se implementa un modelo Llama3.1 con un servidor de modelos de vLLM. La implementación se etiqueta como app:vllm-llama3-8b-instruct. Esta implementación también usa dos adaptadores LoRA, food-review y cad-fabricator, de Hugging Face. Puedes actualizar esta implementación con tu propio servidor y contenedor de modelos, puerto de entrega y nombre de implementación. De forma opcional, puedes configurar adaptadores LoRA en la implementación o implementar el modelo base.

1. Para implementar en un tipo de acelerador nvidia-h100-80gb, guarda el siguiente manifiesto como vllm-llama3-8b-instruct.yaml. En este manifiesto, se define una implementación de Kubernetes con tu modelo y servidor de modelos:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-llama3-8b-instruct
   spec:
     replicas: 3
     selector:
       matchLabels:
         app: vllm-llama3-8b-instruct
     template:
       metadata:
         labels:
           app: vllm-llama3-8b-instruct
       spec:
         containers:
           - name: vllm
             image: "vllm/vllm-openai:latest"
             imagePullPolicy: Always
             command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
             args:
             - "--model"
             - "meta-llama/Llama-3.1-8B-Instruct"
             - "--tensor-parallel-size"
             - "1"
             - "--port"
             - "8000"
             - "--enable-lora"
             - "--max-loras"
             - "2"
             - "--max-cpu-loras"
             - "12"
             env:
               # Enabling LoRA support temporarily disables automatic v1, we want to force it on
               # until 0.8.3 vLLM is released.
               - name: VLLM_USE_V1
                 value: "1"
               - name: PORT
                 value: "8000"
               - name: HUGGING_FACE_HUB_TOKEN
                 valueFrom:
                   secretKeyRef:
                     name: hf-token
                     key: token
               - name: VLLM_ALLOW_RUNTIME_LORA_UPDATING
                 value: "true"
             ports:
               - containerPort: 8000
                 name: http
                 protocol: TCP
             lifecycle:
               preStop:
                 # vLLM stops accepting connections when it receives SIGTERM, so we need to sleep
                 # to give upstream gateways a chance to take us out of rotation. The time we wait
                 # is dependent on the time it takes for all upstreams to completely remove us from
                 # rotation. Older or simpler load balancers might take upwards of 30s, but we expect
                 # our deployment to run behind a modern gateway like Envoy which is designed to
                 # probe for readiness aggressively.
                 sleep:
                   # Upstream gateway probers for health should be set on a low period, such as 5s,
                   # and the shorter we can tighten that bound the faster that we release
                   # accelerators during controlled shutdowns. However, we should expect variance,
                   # as load balancers may have internal delays, and we don't want to drop requests
                   # normally, so we're often aiming to set this value to a p99 propagation latency
                   # of readiness -> load balancer taking backend out of rotation, not the average.
                   #
                   # This value is generally stable and must often be experimentally determined on
                   # for a given load balancer and health check period. We set the value here to
                   # the highest value we observe on a supported load balancer, and we recommend
                   # tuning this value down and verifying no requests are dropped.
                   #
                   # If this value is updated, be sure to update terminationGracePeriodSeconds.
                   #
                   seconds: 30
                 #
                 # IMPORTANT: preStop.sleep is beta as of Kubernetes 1.30 - for older versions
                 # replace with this exec action.
                 #exec:
                 #  command:
                 #  - /usr/bin/sleep
                 #  - 30
             livenessProbe:
               httpGet:
                 path: /health
                 port: http
                 scheme: HTTP
               # vLLM's health check is simple, so we can more aggressively probe it.  Liveness
               # check endpoints should always be suitable for aggressive probing.
               periodSeconds: 1
               successThreshold: 1
               # vLLM has a very simple health implementation, which means that any failure is
               # likely significant. However, any liveness triggered restart requires the very
               # large core model to be reloaded, and so we should bias towards ensuring the
               # server is definitely unhealthy vs immediately restarting. Use 5 attempts as
               # evidence of a serious problem.
               failureThreshold: 5
               timeoutSeconds: 1
             readinessProbe:
               httpGet:
                 path: /health
                 port: http
                 scheme: HTTP
               # vLLM's health check is simple, so we can more aggressively probe it.  Readiness
               # check endpoints should always be suitable for aggressive probing, but may be
               # slightly more expensive than readiness probes.
               periodSeconds: 1
               successThreshold: 1
               # vLLM has a very simple health implementation, which means that any failure is
               # likely significant,
               failureThreshold: 1
               timeoutSeconds: 1
             # We set a startup probe so that we don't begin directing traffic or checking
             # liveness to this instance until the model is loaded.
             startupProbe:
               # Failure threshold is when we believe startup will not happen at all, and is set
               # to the maximum possible time we believe loading a model will take. In our
               # default configuration we are downloading a model from HuggingFace, which may
               # take a long time, then the model must load into the accelerator. We choose
               # 10 minutes as a reasonable maximum startup time before giving up and attempting
               # to restart the pod.
               #
               # IMPORTANT: If the core model takes more than 10 minutes to load, pods will crash
               # loop forever. Be sure to set this appropriately.
               failureThreshold: 120
               # Set delay to start low so that if the base model changes to something smaller
               # or an optimization is deployed, we don't wait unnecessarily.
               initialDelaySeconds: 2
               # As a startup probe, this stops running and so we can more aggressively probe
               # even a moderately complex startup - this is a very important workload.
               periodSeconds: 1
               httpGet:
                 # vLLM does not start the OpenAI server (and hence make /health available)
                 # until models are loaded. This may not be true for all model servers.
                 path: /health
                 port: http
                 scheme: HTTP
   
             resources:
               limits:
                 nvidia.com/gpu: 1
               requests:
                 nvidia.com/gpu: 1
             volumeMounts:
               - mountPath: /data
                 name: data
               - mountPath: /dev/shm
                 name: shm
               - name: adapters
                 mountPath: "/adapters"
         initContainers:
           - name: lora-adapter-syncer
             tty: true
             stdin: true
             image: us-central1-docker.pkg.dev/k8s-staging-images/gateway-api-inference-extension/lora-syncer:main
             restartPolicy: Always
             imagePullPolicy: Always
             env:
               - name: DYNAMIC_LORA_ROLLOUT_CONFIG
                 value: "/config/configmap.yaml"
             volumeMounts: # DO NOT USE subPath, dynamic configmap updates don't work on subPaths
             - name: config-volume
               mountPath:  /config
         restartPolicy: Always
   
         # vLLM allows VLLM_PORT to be specified as an environment variable, but a user might
         # create a 'vllm' service in their namespace. That auto-injects VLLM_PORT in docker
         # compatible form as `tcp://<IP>:<PORT>` instead of the numeric value vLLM accepts
         # causing CrashLoopBackoff. Set service environment injection off by default.
         enableServiceLinks: false
   
         # Generally, the termination grace period needs to last longer than the slowest request
         # we expect to serve plus any extra time spent waiting for load balancers to take the
         # model server out of rotation.
         #
         # An easy starting point is the p99 or max request latency measured for your workload,
         # although LLM request latencies vary significantly if clients send longer inputs or
         # trigger longer outputs. Since steady state p99 will be higher than the latency
         # to drain a server, you may wish to slightly this value either experimentally or
         # via the calculation below.
         #
         # For most models you can derive an upper bound for the maximum drain latency as
         # follows:
         #
         #   1. Identify the maximum context length the model was trained on, or the maximum
         #      allowed length of output tokens configured on vLLM (llama2-7b was trained to
         #      4k context length, while llama3-8b was trained to 128k).
         #   2. Output tokens are the more compute intensive to calculate and the accelerator
         #      will have a maximum concurrency (batch size) - the time per output token at
         #      maximum batch with no prompt tokens being processed is the slowest an output
         #      token can be generated (for this model it would be about 100ms TPOT at a max
         #      batch size around 50)
         #   3. Calculate the worst case request duration if a request starts immediately
         #      before the server stops accepting new connections - generally when it receives
         #      SIGTERM (for this model that is about 4096 / 10 ~ 40s)
         #   4. If there are any requests generating prompt tokens that will delay when those
         #      output tokens start, and prompt token generation is roughly 6x faster than
         #      compute-bound output token generation, so add 20% to the time from above (40s +
         #      16s ~ 55s)
         #
         # Thus we think it will take us at worst about 55s to complete the longest possible
         # request the model is likely to receive at maximum concurrency (highest latency)
         # once requests stop being sent.
         #
         # NOTE: This number will be lower than steady state p99 latency since we stop       receiving
         #       new requests which require continuous prompt token computation.
             # NOTE: The max timeout for backend connections from gateway to model servers should
         #       be configured based on steady state p99 latency, not drain p99 latency
         #
         #   5. Add the time the pod takes in its preStop hook to allow the load balancers have
         #      stopped sending us new requests (55s + 30s ~ 85s)
         #
         # Because the termination grace period controls when the Kubelet forcibly terminates a
         # stuck or hung process (a possibility due to a GPU crash), there is operational safety
         # in keeping the value roughly proportional to the time to finish serving. There is also
         # value in adding a bit of extra time to deal with unexpectedly long workloads.
         #
         #   6. Add a 50% safety buffer to this time since the operational impact should be low
         #      (85s * 1.5 ~ 130s)
         #
         # One additional source of drain latency is that some workloads may run close to
         # saturation and have queued requests on each server. Since traffic in excess of the
         # max sustainable QPS will result in timeouts as the queues grow, we assume that failure
         # to drain in time due to excess queues at the time of shutdown is an expected failure
         # mode of server overload. If your workload occasionally experiences high queue depths
         # due to periodic traffic, consider increasing the safety margin above to account for
         # time to drain queued requests.
         terminationGracePeriodSeconds: 130
         nodeSelector:
           cloud.google.com/gke-accelerator: "nvidia-h100-80gb"
         volumes:
           - name: data
             emptyDir: {}
           - name: shm
             emptyDir:
               medium: Memory
           - name: adapters
             emptyDir: {}
           - name: config-volume
             configMap:
               name: vllm-llama3-8b-adapters
   ---
   apiVersion: v1
   kind: ConfigMap
   metadata:
     name: vllm-llama3-8b-adapters
   data:
     configmap.yaml: |
         vLLMLoRAConfig:
           name: vllm-llama3.1-8b-instruct
           port: 8000
           defaultBaseModel: meta-llama/Llama-3.1-8B-Instruct
           ensureExist:
             models:
             - id: food-review
               source: Kawon/llama3.1-food-finetune_v14_r8
             - id: cad-fabricator
               source: redcathode/fabricator
   ---
   kind: HealthCheckPolicy
   apiVersion: networking.gke.io/v1
   metadata:
     name: health-check-policy
     namespace: default
   spec:
     targetRef:
       group: "inference.networking.x-k8s.io"
       kind: InferencePool
       name: vllm-llama3-8b-instruct
     default:
       config:
         type: HTTP
         httpHealthCheck:
             requestPath: /health
             port: 8000
   

2. Aplica el manifiesto al clúster:

   kubectl apply -f vllm-llama3-8b-instruct.yaml
   

Crea un recurso InferencePool

El recurso personalizado de Kubernetes InferencePool define un grupo de pods con un LLM y una configuración de procesamiento comunes.

El recurso personalizado InferencePool incluye los siguientes campos clave:

• selector: Especifica qué Pods pertenecen a este grupo. Las etiquetas de este selector deben coincidir exactamente con las etiquetas aplicadas a los pods del servidor de modelos.
• targetPort: Define los puertos que usa el servidor de modelos dentro de los Pods.

El recurso InferencePool permite que la puerta de enlace de inferencia de GKE enrute el tráfico a los Pods de tu servidor de modelos.

Para crear un InferencePool con Helm, sigue estos pasos:

helm install vllm-llama3-8b-instruct \
  --set inferencePool.modelServers.matchLabels.app=vllm-llama3-8b-instruct \
  --set provider.name=gke \
  --version v0.3.0 \
  oci://registry.k8s.io/gateway-api-inference-extension/charts/inferencepool

Cambia el siguiente campo para que coincida con tu implementación:

• inferencePool.modelServers.matchLabels.app: Es la clave de la etiqueta que se usa para seleccionar los pods del servidor de modelos.

Este comando crea un objeto InferencePool que representa de forma lógica la implementación del servidor de modelos y hace referencia a los servicios de extremo del modelo dentro de los Pods que selecciona Selector.

Crea un recurso InferenceModel con una criticidad de publicación

El recurso personalizado InferenceModel de Kubernetes define un modelo específico, incluidos los modelos ajustados para LoRA, y su criticidad de publicación.

El recurso personalizado InferenceModel incluye los siguientes campos clave:

• modelName: Especifica el nombre del modelo base o del adaptador LoRA.
• Criticality: Especifica la importancia de la publicación del modelo.
• poolRef: hace referencia al InferencePool en el que se entrega el modelo.

InferenceModel permite que la puerta de enlace de inferencia de GKE enrute el tráfico a los Pods del servidor de modelos según el nombre y la criticidad del modelo.

Para crear un InferenceModel, sigue estos pasos:

1. Guarda el siguiente manifiesto de muestra como inferencemodel.yaml:

   apiVersion: inference.networking.x-k8s.io/v1alpha2
   kind: InferenceModel
   metadata:
     name: inferencemodel-sample
   spec:
     modelName: MODEL_NAME
     criticality: CRITICALITY
     poolRef:
       name: INFERENCE_POOL_NAME
   

   Reemplaza lo siguiente:

   • MODEL_NAME: Es el nombre de tu modelo base o adaptador LoRa. Por ejemplo, food-review
   • CRITICALITY: Es la criticidad de publicación elegida. Elige entre Critical, Standard o Sheddable. Por ejemplo: Standard.
   • INFERENCE_POOL_NAME: Es el nombre del InferencePool que creaste en el paso anterior. Por ejemplo, vllm-llama3-8b-instruct.

2. Aplica el manifiesto de ejemplo a tu clúster:

   kubectl apply -f inferencemodel.yaml
   

En el siguiente ejemplo, se crea un objeto InferenceModel que configura el modelo LoRA food-review en el InferencePool vllm-llama3-8b-instruct con una criticidad de entrega Standard. El objeto InferenceModel también configura el modelo base para que se entregue con un nivel de prioridad Critical.

apiVersion: inference.networking.x-k8s.io/v1alpha2
kind: InferenceModel
metadata:
  name: food-review
spec:
  modelName: food-review
  criticality: Standard
  poolRef:
    name: vllm-llama3-8b-instruct
  targetModels:
  - name: food-review
    weight: 100

---
apiVersion: inference.networking.x-k8s.io/v1alpha2
kind: InferenceModel
metadata:
  name: llama3-base-model
spec:
  modelName: meta-llama/Llama-3.1-8B-Instruct
  criticality: Critical
  poolRef:
    name: vllm-llama3-8b-instruct

Crea la puerta de enlace

El recurso de puerta de enlace actúa como punto de entrada para el tráfico externo a tu clúster de Kubernetes. Define los objetos de escucha que aceptan conexiones entrantes.

La puerta de enlace de inferencia de GKE admite las clases de puerta de enlace gke-l7-rilb y gke-l7-regional-external-managed. Para obtener más información, consulta la documentación de GKE sobre las clases de Gateway.

Para crear una puerta de enlace, sigue estos pasos:

1. Guarda el siguiente manifiesto de muestra como gateway.yaml:

   apiVersion: gateway.networking.k8s.io/v1
   kind: Gateway
   metadata:
     name: GATEWAY_NAME
   spec:
     gatewayClassName: gke-l7-regional-external-managed
     listeners:
       - protocol: HTTP # Or HTTPS for production
         port: 80 # Or 443 for HTTPS
         name: http
   

   Reemplaza GATEWAY_NAME por un nombre único para tu recurso de puerta de enlace. Por ejemplo, inference-gateway

2. Aplica el manifiesto al clúster:

   kubectl apply -f gateway.yaml
   

Crea el recurso HTTPRoute

En esta sección, crearás un recurso HTTPRoute para definir cómo la puerta de enlace enruta las solicitudes HTTP entrantes a tu InferencePool.

El recurso HTTPRoute define cómo la puerta de enlace de GKE enruta las solicitudes HTTP entrantes a los servicios de backend, que es tu InferencePool. Especifica las reglas de coincidencia (por ejemplo, encabezados o rutas) y el backend al que se debe reenviar el tráfico.

Para crear una HTTPRoute, sigue estos pasos:

1. Guarda el siguiente manifiesto de muestra como httproute.yaml:

   apiVersion: gateway.networking.k8s.io/v1
   kind: HTTPRoute
   metadata:
     name: HTTPROUTE_NAME
   spec:
     parentRefs:
     - name: GATEWAY_NAME
     rules:
     - matches:
       - path:
           type: PathPrefix
           value: PATH_PREFIX
       backendRefs:
       - name: INFERENCE_POOL_NAME
         kind: InferencePool
   

   Reemplaza lo siguiente:

   • HTTPROUTE_NAME: Es un nombre único para tu recurso HTTPRoute. Por ejemplo, my-route.
   • GATEWAY_NAME: Es el nombre del recurso Gateway que creaste. Por ejemplo, inference-gateway.
   • PATH_PREFIX: Es el prefijo de ruta que usas para hacer coincidir las solicitudes entrantes. Por ejemplo, / para que coincida con todo.
   • INFERENCE_POOL_NAME: Es el nombre del recurso InferencePool al que deseas enrutar el tráfico. Por ejemplo, vllm-llama3-8b-instruct.

2. Aplica el manifiesto al clúster:

   kubectl apply -f httproute.yaml
   

Cómo enviar una solicitud de inferencia

Después de configurar la puerta de enlace de inferencia de GKE, puedes enviar solicitudes de inferencia a tu modelo implementado.

Para enviar solicitudes de inferencia, sigue estos pasos:

• Recupera el extremo de la puerta de enlace.
• Crea una solicitud JSON con el formato correcto.
• Usa curl para enviar la solicitud al extremo /v1/completions.

Esto te permite generar texto según la instrucción de entrada y los parámetros especificados.

1. Para obtener el extremo de la puerta de enlace, ejecuta el siguiente comando:

   IP=$(kubectl get gateway/GATEWAY_NAME -o jsonpath='{.status.addresses[0].address}')
   PORT=PORT_NUMBER # Use 443 for HTTPS, or 80 for HTTP
   

   Reemplaza lo siguiente:

   • GATEWAY_NAME: Es el nombre de tu recurso de puerta de enlace.
   • PORT_NUMBER: Es el número de puerto que configuraste en la puerta de enlace.

2. Para enviar una solicitud al extremo /v1/completions con curl, ejecuta el siguiente comando:

   curl -i -X POST https://${IP}:${PORT}/v1/completions \
   -H 'Content-Type: application/json' \
   -H 'Authorization: Bearer $(gcloud auth print-access-token)' \
   -d '{
       "model": "MODEL_NAME",
       "prompt": "PROMPT_TEXT",
       "max_tokens": MAX_TOKENS,
       "temperature": "TEMPERATURE"
   }'
   

   Reemplaza lo siguiente:

   • MODEL_NAME: Es el nombre del modelo o del adaptador LoRA que se usará.
   • PROMPT_TEXT: Es la instrucción de entrada del modelo.
   • MAX_TOKENS: Es la cantidad máxima de tokens que se deben generar en la respuesta.
   • TEMPERATURE: Controla la aleatoriedad del resultado. Usa el valor 0 para obtener un resultado determinístico o un número más alto para obtener un resultado más creativo.

Ten en cuenta los siguientes comportamientos:

• Cuerpo de la solicitud: El cuerpo de la solicitud puede incluir parámetros adicionales, como stop y top_p. Consulta la especificación de la API de OpenAI para obtener una lista completa de opciones.
• Manejo de errores: Implementa un manejo de errores adecuado en tu código cliente para controlar posibles errores en la respuesta. Por ejemplo, verifica el código de estado HTTP en la respuesta curl. Por lo general, un código de estado que no sea 200 indica un error.
• Autenticación y autorización: Para las implementaciones de producción, protege tu extremo de API con mecanismos de autenticación y autorización. Incluye los encabezados adecuados (por ejemplo, Authorization) en tus solicitudes.

Configura la observabilidad de tu puerta de enlace de inferencia

GKE Inference Gateway proporciona observabilidad sobre el estado, el rendimiento y el comportamiento de tus cargas de trabajo de inferencia. Esto te ayuda a identificar y resolver problemas, optimizar el uso de recursos y garantizar la confiabilidad de tus aplicaciones. Puedes ver estas métricas de observabilidad en Cloud Monitoring a través del Explorador de métricas.

Para configurar la observabilidad de la puerta de enlace de inferencia de GKE, consulta Configura la observabilidad.

Borra los recursos implementados

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos que creaste a partir de esta guía, ejecuta el siguiente comando:

gcloud container clusters delete CLUSTER_NAME \
    --region=REGION

Reemplaza los siguientes valores:

• REGION: Una región que admita el tipo de acelerador que deseas usar, por ejemplo, us-central1 para la GPU H100.
• CLUSTER_NAME: El nombre de tu clúster.

¿Qué sigue?

• Obtén más información sobre la Puerta de enlace de inferencia de GKE.
• Obtén información para implementar la puerta de enlace de inferencia de GKE.