Netflix 如何将 GPU 可靠性当作分布式系统问题处理

Netflix 披露其基于 Kubernetes 的 GPU 计算平台，通过分层健康检查、自动修复和容错训练应对大规模 GPU 训练中的硬件故障，实现 GPU 节点可用性超过 99.95%、任务成功率从约 98% 提升至 99.5% 以上。