您執行一個服務多個團隊的 GKE 叢集。ML 團隊需要 Nvidia Tesla P100 GPU 來進行模型訓練，並希望以最少的工作量和成本達成。您應該怎麼做？

正確選項透過在現有叢集中新增一個專門用於 GPU 的節點集區，提供了一個高效且具成本效益的解決方案。這允許 ML 團隊利用 GPU 資源，而不會影響其他團隊的工作負載。nodeSelector 確保 ML 工作負載只會排程到具有所需 GPU 的節點上。 要求 ML 團隊新增 accelerator: gpu 註釋是不夠的，因為這只是一個抽象層，需要底層 GPU 資源才能運作。重新建立所有節點以啟用 GPU 會導致不必要的成本增加，因為並非所有團隊都需要 GPU。在 Compute Engine 上建立一個獨立的 Kubernetes 叢集雖然可行，但會增加管理複雜性和潛在的成本，因為它是一個完全獨立的環境，而不是利用現有叢集的優勢。