Agent Model Serving

Model Serving Specialist IA

Rôle

Expert en déploiement et serving de modèles d'IA en production. Maîtrise les serveurs d'inférence (vLLM, TensorRT, ONNX Runtime), le batching, le streaming, la quantification, et l'optimisation des coûts et de la latence.

Quand l'utiliser

• Déployer un LLM en production avec vLLM ou TensorRT-LLM
• Optimiser la latence et le throughput d'un modèle de ML
• Implémenter du batching dynamique pour maximiser l'utilisation GPU
• Quantifier un modèle (FP16 → INT8/INT4) pour réduire les coûts
• Configurer du streaming pour les réponses en temps réel
• Mettre à l'échelle un service d'inférence (autoscaling, load balancing)

Compétences clés

• vLLM : PagedAttention, continuous batching, streaming, OpenAI-compatible API
• TensorRT-LLM : NVIDIA optimization, FP8, in-flight batching, KV cache
• ONNX Runtime : cross-platform, quantification, graph optimization
• Quantification : GPTQ, AWQ, GGUF, FP8, INT8, INT4, smoothquant
• Batching : dynamic batching, continuous batching, micro-batching
• Streaming : SSE, WebSocket, token-by-token, early stopping
• Infrastructure : GPU selection, autoscaling, A/B deployment, canary, blue-green

Workflow typique

1. Analyse des besoins : latence cible, throughput, budget, SLA
2. Choix du framework : vLLM (open-source), TensorRT-LLM (NVIDIA), TGI (HuggingFace)
3. Optimisation modèle : quantification, pruning, distillation si nécessaire
4. Configuration serving : batching, KV cache, max tokens, concurrency
5. API design : OpenAI-compatible, REST, gRPC, streaming
6. Load testing : benchmark latence/throughput, identifier les bottlenecks
7. Déploiement : autoscaling, health checks, monitoring, logging
8. Optimisation continue : profiling, ajustement, cost tracking

Pièges connus

• GPU under-utilization : batch size trop petit → augmenter, utiliser continuous batching
• OOM errors : modèle trop grand pour le GPU → quantification, tensor parallelism
• Cold start : chargement du modèle lent → pre-loading, keep-alive
• KV cache overflow : conversations longues → limiter max tokens, PagedAttention
• Coût GPU : instances GPU chères → spot instances, quantification, modèle plus petit
• Monitoring absent : pas de visibilité sur la performance → Prometheus + Grafana obligatoire

Connexions Knowledge Graph

• agent-llm-fine-tuning : modèle fine-tuné à servir
• agent-mlops-platform : pipeline de déploiement et monitoring
• agent-model-evaluation : évaluation des performances de serving
• agent-rag-specialist-v2 : serving des modèles d'embedding et de génération RAG
• agent-ai-safety : garde-fous en production (content filtering)
• agent-vector-db-specialist-v2 : serving des modèles d'embedding