让生成式 AI 触手可及：火山引擎推出 NVIDIA NIM on VKE 最佳部署实践
技术行业近来对大语言模型（LLM）的关注正开始转向生产环境的大规模部署，将 AI 模型接入现有基础设施以优化系统性能，包括降低延迟、提高吞吐量，以及加强日志记录、监控和安全性等。然而这一路径既复杂又耗时，往往需要构建专门的平台和流程。
在部署 AI 模型的过程中，研发团队通常需要执行以下步骤：
环境搭建与配置：首先需要准备和调试运行环境，这包括但不限于 CUDA、Python、PyTorch 等依赖项的安装与配置。这一步骤往往较为复杂，需要细致地调整各个组件以确保兼容性和性能。
模型优化与封装：接下来进行模型的打包和优化，以提高推理效率。这通常涉及到使用 NVIDIA TensorRT 软件开发套件或 NVIDIA TensorRT-LLM 库等专业工具来优化模型，并根据性能测试结果和经验来调整推理引擎的配置参数。这一过程需要深入的 AI 领域知识，并且工具的使用具有一定的学习成本。
模型部署：最后，将优化后的模型部署到生产环境中。对于非容器化环境，资源的准备和管理也是一个需要精心策划的环节。
为了简化上述流程并降低技术门槛，火山引擎云原生团队推出基于 VKE 的 NVIDIA NIM 微服务最佳实践。通过结合 NIM 一站式模型服务能力，以及火山引擎容器服务 VKE 在成本节约和极简运维等方面的优势，这套开箱即用的技术方案将帮助企业更加快捷和高效地部署 AI 模型。
AI 微服务化：NVIDIA NIM
NVIDIA NIM 是一套经过优化的企业级生成式 AI 微服务，它包括推理引擎，通过 API 接口对外提供服务，帮助企业和个人开发者更简单地开发和部署 AI 驱动的应用程序。
NIM 使用行业标准 API，支持跨多个领域的 AI 用例，包括 LLM、视觉语言模型（VLM），以及用于语音、图像、视频、3D、药物研发、医学成像等的模型。同时，它基于 NVIDIA Triton™ Inference Server、NVIDIA TensorRT™、NVIDIA TensorRT-LLM 和 PyTorch 构建，可以在加速基础设施上提供最优的延迟和吞吐量。
为了进一步降低复杂度，NIM 将模型和运行环境做了解耦，以容器镜像的形式为每个模型或模型系列打包。其在 Kubernetes 内的部署形态如下：
NVIDIA NIM on Kubernetes
火山引擎容器服务 VKE（Volcengine Kubernetes Engine）通过深度融合新一代云原生技术，提供以容器为核心的高性能 Kubernetes 容器集群管理服务，可以为 NIM 提供稳定可靠高性能的运行环境，实现模型使用和运行的强强联合。
同时，模型服务的发布和运行也离不开发布管理、网络访问、观测等能力，VKE 深度整合了火山引擎高性能计算（ECS/裸金属）、网络（VPC/EIP/CLB）、存储（EBS/TOS/NAS）、弹性容器实例（VCI）等服务，并与镜像仓库、持续交付、托管 Prometheus、日志服务、微服务引擎等云产品横向打通，可以实现 NIM 服务构建、部署、发布、监控等全链路流程，帮助企业更灵活、更敏捷地构建和扩展基于自身数据的定制化大型语言模型（LLMs），打造真正的企业级智能化、自动化基础设施。
NVIDIA NIM on VKE 部署流程
下面，我们将介绍 NIM on VKE 的部署流程，助力开发者快速部署和访问 AI 模型。
准备工作
部署 NVIDIA NIM 前，需要做好如下准备：
1. VKE 集群中已安装 csi-nas / prometheus-agent / vci-virtual-kubelet / cr-credential-controller 组件
2. 在 VKE 集群中使用相适配的 VCI GPU 实例规格，具体软硬件支持情况可以查看硬件要求
3. 创建 NAS 实例，作为存储类，用于模型文件的存储
4. 创建 CR（镜像仓库） 实例，用于托管 NIM 镜像
5. 开通 VMP（托管 Prometheus）服务
6. 向 NVIDIA 官方获取 NIM 相关镜像的拉取权限（下述以 llama3-8b-instruct:1.0.0 为例），并生成 API Key
部署
1. 在国内运行 NIM 官方镜像时，为了避免网络访问影响镜像拉取速度，可以提前拉取相应 NIM 镜像并上传到火山引擎镜像仓库 CR，操作步骤如下：
2. Download the code locally, go to the Helm Chart directory of the code, and push Helm Chart to Container Registry (Helm version > 3.7):
下载代码到本地，进入到代码的 helm chart 目录中，把 helm chart 推送到镜像仓库（helm 版本大于 3.7）：
3. 在 vke 的应用中心的 helm 应用中选择创建 helm 应用，并选择对应 chart，集群信息，并点击 values.yaml 的编辑按钮进入编辑页
4. 覆盖 values 内容为如下值来根据火山引擎环境调整参数配置，提升部署性能，点击确定完成参数改动，再继续在部署页点击确定完成部署
5. 若 Pod 日志出现如下内容或者 Pod 状态变成 Ready，说明服务已经准备好：
6. 在 VKE 控制台获取 LB Service 地址（Service 名称为-nim-llm）
7. 访问 NIM 服务
The output is as follows:
会有如下输出：
监控
NVIDIA NIM 在 Grafana Dashboard 上提供了丰富的观测指标，详情可参考 Observability
在 VKE 中，可通过如下方法搭建 NIM 监控：
1. 参考文档搭建 Grafana：https://www.volcengine.com/docs/6731/126068
2. 进入 Grafana 中，在 dashboard 菜单中选择 import：
3. 观测面板效果如下：
结语
相比构建大模型镜像，基于 VKE 使用 NVIDIA NIM 部署和访问模型有如下优点：
● 易用性：NIM 提供了预先构建好的模型容器镜像，用户无需从头开始构建和配置环境，配合 VKE 与 CR 的应用部署能力，极大简化了部署过程
● 性能优化：NIM 的容器镜像是经过优化的，可以在 NVIDIA GPU 上高效运行，充分利用 VCI 的硬件性能
● 模型选择：NIM 官方提供了多种大语言模型，用户可以根据需求选择合适的模型，部署在 VKE 中仅需对values.yaml 配置做修改即可
● 自动更新：通过 NGC，NIM 可以自动下载和更新模型，用户无需手动管理模型版本
● 可观测性：NIM 内置了丰富的观测指标，配合 VKE 与 VMP 观测能力开箱即用
目前火山引擎容器服务 VKE 已开放个人用户使用，为个人和企业用户提供高性能、高可靠、极致弹性的企业级容器管理能力，结合 NIM 强大易用的模型部署服务，进一步帮助开发者快速部署 AI 模型，并提供高性能、开箱即用的模型 API 服务。（作者：李双）
