동일한 GPU 위에서 서로 다른 운영 모델이 공존하는 문제

현대 AI 인프라 운영에서 동일한 고가 GPU를 두고 Slurm 계열의 HPC 스케줄러와 Kubernetes의 클라우드 네이티브 오케스트레이터가 서로 다른 요구를 제시하므로 양쪽을 단일 도구로 통합하려는 시도는 운영적 비용과 복잡도를 증가시킨다. 글은 갱 스케줄링과 토폴로지 인지 배치 같은 HPC 특화 기능이 대규모 동기화 학습에 필수적이고, 선언적 상태와 자동확장, 스팟 용량이 추론 서비스와 CI/CD에 유리하다고 정리하면서 각 워크로드의 '중력'에 맞춰 배치할 것을 권장한다. 동일 자원을 효율적으로 쓰려면 어느 한 스케줄러가 승리하는 구도가 아니라 메타스케줄러나 의도적 역할 분리를 통해 두 환경의 강점을 결합해야 하며, ClearML은 HPC 뿌리를 가진 플랫폼으로 이러한 메타스케줄러 접근에 부합한다.