aks-gpu-inference

AKS GPU 推論 Day-2

クイックリファレンス

プロパティ	値
最適な用途	AKS GPU／KAITO の障害
証拠	バインドされた対象、イベント／ステータス、gpuProfile、DCGM

このスキルを使用するタイミング

スケジューリング、VRAM／OOM、KAITO の準備状態、ワークロードのスケーリングに使用します。上記の説明に従って対象外のケースを振り分けてください。

MCP ツール

ホストが利用可能として提示する適切な Azure 読み取り機能、または参照資料にある読み取り専用クエリを使用してください。

ホスト機能の確認

参照されているパイプラインを実行する前に、バインドされた対象に対する必要なシェルコマンドおよび kubectl／az コマンドの使用がホストによって許可されていることを確認してください。ファイルを使用した収集には、承認済みの成果物ストレージと、使用する同梱ファイルへのアクセスも必要です。Azure CLI のガバナンス対象ツールだけでは、これらの機能があることを確認できません。機能が提示するスキーマで必要な証拠を取得できる場合に限り、同等のホスト読み取り機能でコマンドを置き換えられます。

実行できない場合、または禁止されている場合は、その旨を伝え、提供されたイベント、ステータス、ログ、メトリクス（必要に応じて秘匿化されたもの）を分析するか、対象を限定した収集計画をオペレーターに提示してください。実行しなかった読み取りを明示し、証拠が不足している場合に必要となる結論は未確認のままにしてください。Azure MCP 経由で kubectl を実行したり、ホストのポリシーを迂回したりしないでください。以下の承認要件は引き続き適用されます。

ワークフロー

1. サブスクリプション、クラスター、kube コンテキスト、プール、影響を受けるリソースを特定します。
2. 正確なイベント／ステータスと、確認された gpuProfile を取得し、実行した読み取りを明示します。
3. スケジューリング、 可観測性、 KAITO、または スケーリングに振り分けます。
4. コンテナー／ホストの OOM とデバイス割り当ての失敗を区別します。OOMKilled の場合は、コンテナーのメモリ制限／使用量とノードの状態を関連付けて確認します。Managed+Install のデバイスメモリの証拠については、ポート 19400 のエクスポーターと、インシデント発生時間帯の FB_USED／FB_FREE を使用してください。サイジング表だけでは原因を特定できません。
5. KAITO が準備未完了の場合、Workspace を削除しても GPU プールは残ることを警告します。クリーンアップは別の作業であり、明示的な承認が必要です。
6. 証拠、確信度、不足している証拠、および担当者への引き継ぎを報告します。

スケーリング、cordon／drain、削除、アドオンの有効化、または監視設定の変更を行う前に、明示的な承認を得てください。

エラー処理

条件	対応
証拠が不足または矛盾している	未確認とし、担当者に読み取りを依頼します
プロファイルが不明	証拠を保持し、スタックの修復方法は指示しません
変更が必要	別途提案し、承認を待ちます