Netflix 将 GPU 可靠性视为分布式系统问题

Netflix 构建了用于大规模 GPU 训练和推理的可靠性平台，通过分层健康检查、自动修复和容错训练机制，确保硬件故障不影响任务运行。该平台基于 Kubernetes，实现了超过 99.95% 的 GPU 节点可用性，并将任务成功率从约 98% 提升至超过 99.5%。