NVIDIA publicó como código abierto toda la plataforma Run:ai, incluidos cuatro componentes modulares que pueden usarse por separado o en conjunto. Este cambio traslada primitivas maduras de programación y uso compartido de GPU de un producto comercial opaco a un modelo de gobernanza comunitaria. Así, las empresas pueden adoptar, auditar, ampliar y combinar estas capacidades con las herramientas de Kubernetes que ya utilizan. Para los equipos de compras y arquitectura, esto reduce el riesgo de integración y abre la puerta a modelos de despliegue gestionados por socios y respaldados por la comunidad.

KAI Scheduler es un planificador nativo de Kubernetes y consciente de las GPU que incorpora a las cargas de trabajo de IA la programación de grupos de trabajos, la asignación compacta según la topología y la distribución equitativa de recursos. Está diseñado para coexistir con las estructuras estándar de Kubernetes o sustituir la capa de programación, según las necesidades del cliente. GPU Fractioning Operator aprovecha el aislamiento de memoria nativo de CUDA 13.4 para ofrecer fracciones de GPU estrictas a los pods y exportar métricas por pod. En conjunto, permiten a las empresas ejecutar cargas de trabajo mixtas —notebooks interactivos, trabajos de entrenamiento e inferencia— con límites de memoria y decisiones de ubicación predecibles.

Los beneficios prácticos para los operadores se pueden medir. El particionado reduce la memoria de GPU que queda sin utilizar y permite ejecutar cargas de trabajo más pequeñas sin reservar dispositivos enteros, lo que mejora la utilización y distribuye el coste del hardware entre más usos. KAI Resource Management asigna cuotas a equipos y proyectos para que las garantías y los límites de capacidad sean transparentes y se puedan hacer cumplir, reduciendo la contención y las interrupciones inesperadas por desalojo. Workload Map estandariza la observabilidad y las acciones del ciclo de vida en distintos CRD, simplificando los procedimientos de SRE y la asignación de costes. El resultado es un menor gasto efectivo en hardware y operaciones multiusuario más fluidas.

La publicación del código fuente mejora la transparencia, pero no elimina la complejidad operativa. Los equipos deben evaluar la madurez de cada componente, especialmente en lo relativo a las políticas de reparto equitativo a gran escala y las configuraciones entre clústeres. Los modelos de soporte varían: las versiones comunitarias disponibles en repositorios y los productos comunitarios de NGC no incluyen soporte empresarial de pago de NVIDIA, a menos que se contrate por separado. La seguridad, la frecuencia de las actualizaciones y la compatibilidad con versiones concretas de CUDA y de los controladores (en el caso del particionado) deben validarse en un entorno de pruebas. Por último, las organizaciones deben confirmar las condiciones de licencia y cualquier acuerdo específico del producto aplicable a los paquetes redistribuidos.

Empiece poco a poco y avance de forma iterativa. Pruebe GPU Fractioning Operator en un clúster de desarrollo para medir el comportamiento del aislamiento de memoria y las métricas del exportador. Después, evalúe KAI Scheduler en un espacio de nombres no crítico para probar la programación de grupos de trabajos y la ubicación consciente de la topología con trabajos representativos. Añada KAI Resource Management cuando ya conozca el comportamiento básico de la programación y quiera asignar cuotas a los grupos de la organización. Use Workload Map para simplificar las integraciones con herramientas de monitorización, costes y copias de seguridad. Si busca obtener resultados más rápido, considere un despliegue a través de un socio del ecosistema, sobre todo si necesita automatizar la gestión del ciclo de vida o contar con plantillas de aislamiento de inquilinos.