[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,93 +2,217 @@
|
||||
id: wiki-2026-0508-batch-inference
|
||||
title: Batch Inference
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-BAIN-001]
|
||||
aliases: [batch inference, async inference, dynamic batching, continuous batching, throughput optimization]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, batch-inference, ai-Optimization, throughput, cost-Efficiency, data-Processing]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [inference, throughput, gpu, optimization, llm-serving, vllm, triton, ray]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: vLLM / Triton / Ray Serve / Modal
|
||||
---
|
||||
|
||||
# [[Batch-Inference|Batch-Inference]]
|
||||
# Batch Inference
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 공동 구매: 매 요청마다 AI를 즉각 깨우는 대신, 대량의 데이터를 한데 모아 한꺼번에 추론함으로써 서버 자원의 낭비를 줄이고 처리 속도(Throughput)를 극대화하는 물류적 최적화."
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 GPU 의 공동 구매"**. 매 single request 의 즉시 응답 X — 매 batch 의 throughput 의 maximize. 매 LLM 의 dynamic / continuous batching 의 5-20× throughput. 매 cost / latency trade-off 의 가장 큰 lever.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
배치 추론(Batch-Inference)은 실시간 응답이 필수적이지 않은 환경에서 대규모의 데이터를 주기적으로 한 번에 처리하는 AI 구동 방식입니다.
|
||||
## 📖 핵심
|
||||
|
||||
1. **실시간 추론(Online Inference)과의 차이**:
|
||||
* **Online**: 1건의 요청에 1번 응답 (Low latency 중요, 자원 소모 비효율적).
|
||||
* **Batch**: 1,000건의 요청을 모아 1번에 처리 (High throughput 중요, 자원 및 비용 효율적).
|
||||
2. **이점**:
|
||||
* **GPU Utilization**: GPU는 한 번에 많은 데이터를 병렬로 처리할 때 가성비가 가장 높음.
|
||||
* **Cost Efficiency**: 요청이 적은 시간대에 몰아서 처리하여 클라우드 비용 절감.
|
||||
3. **적용 사례**:
|
||||
* 주간 개인화 추천 메일 생성, 전날의 사기 거래 일괄 탐지, 대규모 문서 아카이브 번역.
|
||||
### 매 inference type
|
||||
| 종류 | Latency | Throughput | Cost | 사례 |
|
||||
|---|---|---|---|---|
|
||||
| Online (sync) | <100ms | 매 low | 매 high | 매 chat, 매 search |
|
||||
| Batch (offline) | minute~hour | 매 max | 매 lowest | 매 daily summary, 매 fraud scan |
|
||||
| Async / queue | second~min | 매 mid | 매 mid | 매 image gen, 매 transcribe |
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 '실시간'이 최고라는 정책이 강했으나, 현대의 거대 모델 운영 정책은 막대한 추론 비용 절감을 위해 비핵심 태스크를 배치로 돌리는 '하이브리드 추론 정책'을 채택함(RL Update).
|
||||
- **정책 변화(RL Update)**: 대규모 에이전트 워크플로우 정책에서, 에이전트가 생성한 중간 결과물들을 배치로 모아 리랭킹(Re-ranking)하거나 요약하는 '간헐적 배치 처리 정책'이 시스템 무결성 확보의 핵심 가이드라인이 됨.
|
||||
### 매 batching 의 종류
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization|Optimization]], [[Technical-Architecture|Technical-Architecture]], [[Availability-and-Persistence|Availability-and-Persistence]], Workflow-InteGrity, [[Scalability|Scalability]]
|
||||
- **Modern Tech/Tools**: Apache Airflow, NVIDIA Triton Inference Server, Ray.
|
||||
---
|
||||
#### Static batching (전통)
|
||||
- 매 batch size 의 fix.
|
||||
- 매 batch 의 fill 의 wait → 매 latency variable.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### Dynamic batching (Triton)
|
||||
- 매 max wait time 의 limit.
|
||||
- 매 incoming request 의 group.
|
||||
- ✅ 매 latency / throughput balance.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### Continuous batching (vLLM, TensorRT-LLM)
|
||||
- 매 LLM 의 specific.
|
||||
- 매 sequence 의 finish 의 다른 sequence 의 immediately fill.
|
||||
- 매 GPU 의 idle 매 minimize.
|
||||
- 매 5-20× throughput.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### PagedAttention (vLLM)
|
||||
- 매 KV cache 의 page table.
|
||||
- 매 memory fragmentation 의 minimize.
|
||||
- 매 long context + batch 의 enable.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 매 batch size 의 effect
|
||||
- **Throughput**: 매 batch ↑ → 매 GPU util ↑.
|
||||
- **Latency** (per request): 매 wait ↑.
|
||||
- **Memory**: 매 batch ↑ → 매 OOM risk.
|
||||
- **Sweet spot**: 매 GPU memory + latency SLA 의 fit.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 매 batch inference 의 적용
|
||||
1. **Embedding generation**: 매 100M doc 의 batch.
|
||||
2. **Summarization**: 매 daily news.
|
||||
3. **Fraud detection**: 매 transaction 의 nightly.
|
||||
4. **Recommendation**: 매 user-item score 의 precompute.
|
||||
5. **Image classification** (archive): 매 medical image.
|
||||
6. **Translation** (corpus): 매 doc bulk.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Hybrid (modern LLM serving)
|
||||
- 매 online (chat) + 매 batch (precompute) 의 mix.
|
||||
- 매 priority queue 의 latency-sensitive 의 first.
|
||||
- 매 streaming 의 progressive output.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### 매 monitoring
|
||||
- **Throughput**: token/s, request/s.
|
||||
- **Latency**: p50, p95, p99, TTFT (time to first token).
|
||||
- **GPU util**: 매 70-90% target.
|
||||
- **Batch size 의 distribution**.
|
||||
- **Queue depth**.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
## 💻 패턴
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### vLLM offline batch
|
||||
```python
|
||||
from vllm import LLM, SamplingParams
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
llm = LLM(model='meta-llama/Llama-3-8B-Instruct')
|
||||
sampling = SamplingParams(temperature=0.7, max_tokens=512)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
prompts = [...] # 매 10K
|
||||
outputs = llm.generate(prompts, sampling)
|
||||
# 매 continuous batching 의 self-managed
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### vLLM online server (continuous batching)
|
||||
```bash
|
||||
python -m vllm.entrypoints.openai.api_server \
|
||||
--model meta-llama/Llama-3-8B-Instruct \
|
||||
--max-num-seqs 256 \
|
||||
--gpu-memory-utilization 0.9
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Ray Batch inference
|
||||
```python
|
||||
import ray
|
||||
import ray.data
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
ds = ray.data.read_parquet('s3://my-bucket/data/')
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
class Predictor:
|
||||
def __init__(self):
|
||||
self.model = load_model()
|
||||
def __call__(self, batch):
|
||||
return {'pred': self.model(batch['features'])}
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
predictions = ds.map_batches(Predictor, batch_size=64, num_gpus=1, concurrency=4)
|
||||
predictions.write_parquet('s3://my-bucket/predictions/')
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Triton dynamic batching
|
||||
```protobuf
|
||||
# config.pbtxt
|
||||
name: "my_model"
|
||||
platform: "onnxruntime_onnx"
|
||||
max_batch_size: 64
|
||||
dynamic_batching {
|
||||
max_queue_delay_microseconds: 5000 # 5ms
|
||||
preferred_batch_size: [16, 32, 64]
|
||||
}
|
||||
```
|
||||
|
||||
### Custom batching (asyncio queue)
|
||||
```python
|
||||
import asyncio
|
||||
from collections import deque
|
||||
|
||||
class BatchQueue:
|
||||
def __init__(self, model, max_batch=32, max_wait_ms=10):
|
||||
self.model = model
|
||||
self.max_batch = max_batch
|
||||
self.max_wait_ms = max_wait_ms
|
||||
self.queue: deque = deque()
|
||||
asyncio.create_task(self._loop())
|
||||
|
||||
async def predict(self, x):
|
||||
future = asyncio.Future()
|
||||
self.queue.append((x, future))
|
||||
return await future
|
||||
|
||||
async def _loop(self):
|
||||
while True:
|
||||
if not self.queue:
|
||||
await asyncio.sleep(0.001)
|
||||
continue
|
||||
await asyncio.sleep(self.max_wait_ms / 1000)
|
||||
batch = []
|
||||
while self.queue and len(batch) < self.max_batch:
|
||||
batch.append(self.queue.popleft())
|
||||
xs = [b[0] for b in batch]
|
||||
preds = self.model(xs)
|
||||
for (_, future), p in zip(batch, preds):
|
||||
future.set_result(p)
|
||||
```
|
||||
|
||||
### Cost optimization (spot + batch)
|
||||
```python
|
||||
# 매 batch job 의 spot instance OK
|
||||
# 매 1 hour SLA → 매 spot interrupt OK
|
||||
config = {
|
||||
'instance_type': 'g5.2xlarge',
|
||||
'pricing': 'spot', # ~70% cheaper
|
||||
'max_runtime_min': 60,
|
||||
'retry_on_interrupt': True,
|
||||
}
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 상황 | Strategy |
|
||||
|---|---|
|
||||
| Chat / search | Continuous batching (vLLM) |
|
||||
| Daily summary | Offline batch + spot |
|
||||
| Embedding 100M doc | Ray + GPU batch |
|
||||
| Image generation | Async queue + webhook |
|
||||
| Fraud nightly | Batch + cheap GPU |
|
||||
| RT API + bulk | Hybrid (priority queue) |
|
||||
|
||||
**기본값**: vLLM (LLM) / Triton (general) / Ray (distributed).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[ML-Inference]] · [[Performance-Engineering]]
|
||||
- 변형: [[Continuous-Batching]] · [[Dynamic-Batching]] · [[Static-Batching]]
|
||||
- 응용: [[vLLM]] · [[Triton-Inference-Server]] · [[Ray-Serve]] · [[PagedAttention]]
|
||||
- Adjacent: [[GPU-Utilization]] · [[Spot-Instance]] · [[KV-Cache]] · [[Inference-Optimization]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 cost optimization. 매 throughput 우선 task. 매 LLM serving infra design.
|
||||
**언제 X**: 매 strict <100ms latency. 매 online interactive (single request).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Online 의 batch 의 force**: 매 latency violate.
|
||||
- **Static batch (LLM)**: 매 GPU idle.
|
||||
- **Batch size 의 max 의 OOM**: 매 retry storm.
|
||||
- **No max wait**: 매 indefinite delay.
|
||||
- **No monitoring**: 매 GPU util 의 모름.
|
||||
- **Spot 의 stateful job**: 매 interrupt 의 lose.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (vLLM paper, NVIDIA Triton, Ray).
|
||||
- 신뢰도 A.
|
||||
- Related: [[vLLM]] · [[Continuous-Batching]] · [[GPU-Utilization]] · [[ML-Inference]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — batching 종류 + vLLM + Triton + Ray + PagedAttention |
|
||||
|
||||
Reference in New Issue
Block a user