O Azure Container Apps permite rodar contêineres com GPUs NVIDIA que escalam a zero e cobram por segundo. Entenda como esse modelo serverless muda o jogo para quem coloca modelos de IA em produção — inclusive na região Brazil South.
∑Colocar um modelo de IA em produção costuma esbarrar no mesmo obstáculo: a GPU. Ela é cara, escassa e, na maioria das arquiteturas tradicionais, precisa ficar ligada o tempo todo mesmo quando ninguém está usando a aplicação. O Azure Container Apps ataca exatamente esse problema com as GPUs serverless, um recurso que entrega placas NVIDIA sob demanda, sem que você precise provisionar ou administrar a máquina por baixo.
O Azure Container Apps é o serviço de contêineres gerenciados da Microsoft, pensado para aplicações e microsserviços que escalam automaticamente. As GPUs serverless estendem esse modelo para cargas que exigem aceleração por hardware: você anexa uma GPU ao seu contêiner e a plataforma cuida do resto.
A ideia central é que o número de GPUs em uso sobe e desce conforme a demanda da aplicação, chegando a zero quando não há tráfego. Você paga apenas pelo tempo em que a GPU está efetivamente rodando.
É um meio-termo entre chamar uma API de modelo pronta e manter um cluster de GPUs dedicado: você traz o seu próprio modelo, mas continua numa plataforma gerenciada e serverless.
Você escolhe entre dois tipos de GPU NVIDIA na alocação de recursos do contêiner:
Um detalhe importante para quem está no Brasil: a região Brazil South oferece tanto A100 quanto T4, o que permite manter os dados e a latência dentro do país.
O grande atrativo é o modelo de custo. Em vez de reservar uma VM com GPU 24 horas por dia, você tem:
Esse último ponto separa as GPUs serverless de uma API de modelo hospedada por terceiros. Como o seu contêiner (e o seu modelo) roda dentro do seu ambiente, o dado processado permanece sob seu controle — algo relevante para requisitos de residência e conformidade.
A documentação da Microsoft aponta cenários bem concretos:
As GPUs serverless funcionam apenas em perfis de carga de trabalho Consumption — não são suportadas em ambientes do tipo Consumption-only. Além disso, há limitações a considerar no desenho da aplicação: apenas um contêiner por app acessa a GPU de cada vez, e não há suporte a réplicas com múltiplas GPUs ou GPU fracionada.
Para acessar o recurso, é preciso ter cota de GPU. Clientes com contrato enterprise e pay-as-you-go já têm cotas de A100 e T4 habilitadas por padrão; os demais solicitam via caso de suporte no portal do Azure.
Um risco conhecido de qualquer solução que escala a zero é o tempo de partida a frio — agravado quando o contêiner precisa baixar um modelo de vários gigabytes. A plataforma oferece duas alavancas para reduzir isso:
Em preview público, as GPUs serverless já aceitam o deploy de modelos do Microsoft Foundry (tipo MLFLOW) diretamente pela CLI, com o comando az containerapp up apontando para o registro e a versão do modelo. Isso posiciona o recurso como um caminho de baixo atrito entre experimentar um modelo e colocá-lo em produção com escala serverless.
Para times que precisam de inferência esporádica ou com picos imprevisíveis, o modelo de pagar por segundo com escala a zero pode reduzir drasticamente o custo em relação a uma GPU dedicada ociosa. Já para cargas contínuas e de altíssimo volume, uma comparação de preço com compute dedicado ainda é recomendável. O ponto forte aqui é a flexibilidade: você traz o seu contêiner, escolhe A100 ou T4, e deixa a plataforma cuidar do provisionamento e da escala.
Cloud∑Serverless nunca significou sem região. Como o gcloud run multi-region-services encurta o deploy, por que ele sozinho não te dá um endereço único, e onde a dificuldade de verdade continua: o estado.