NVIDIA představila Minervu pro hledání příčin výpadků v AI clusterech

Když se trénování modelu zpomalí, příčina může ležet mimo GPU: v síti, úložišti, plánovači úloh nebo jiné součásti, na které výpočetní úloha závisí. NVIDIA 22. října 2026 představila Minervu — platformu AIOps, která propojuje telemetrii infrastruktury s údaji o právě běžících AI zátěžích. Společnost ji prezentuje jako nástroj ke zvýšení dostupnosti a produktivity svých AI továren.

Minerva shromažďuje signály z GPU, síťových zařízení, úložišť, plánovačů a pracovních zátěží. Poté vytváří dynamický graf vztahů mezi komponentami a úlohami. Podle popisu NVIDIA tento kontext pomáhá sledovat, jak hardwarová anomálie ovlivňuje konkrétní trénovací úlohu, a slučovat související události do jednoho incidentu s pravděpodobnou prvotní příčinou. Platforma analyzuje miliardy telemetrických bodů za hodinu — jde o údaj o systému, který uvádí NVIDIA.

Co se mění při řešení incidentů

Běžným problémem při monitorování rozsáhlých clusterů jsou oddělené pohledy na výpočty, síť a provoz. Minerva se pokouší tyto vrstvy propojit: odchylku síťového rozhraní lze posuzovat společně se stavem GPU a výkonem úlohy, která tuto síťovou trasu využívá. Praktickým cílem je zkrátit cestu od souboru signálů k lokalizaci úzkého místa.

Platforma obsahuje AI asistenta, kterému lze klást otázky v přirozeném jazyce, a lze ji propojit s externími agentními nástroji. Operátor může zkoumat stav clusteru na základě živé telemetrie a získávat doporučení k řešení problémů. NVIDIA popisuje možnost, kdy zaměstnanec provede opravu ručně, i možnost zapojit automatizaci prostřednictvím infrastrukturního API a externích systémů.

Pro provoz to znamená oddělení diagnostiky od zásahu. Propojení signálů může pomoci rychleji určit, kde hledat příčinu, zatímco automatická změna infrastruktury zůstává samostatným rozhodnutím týmu. Při zavádění je užitečné předem určit, která doporučení lze provádět automaticky, která vyžadují potvrzení a kde se zaznamenávají výsledky. Jde o praktický závěr vycházející z popsaného rozlišení NVIDIA mezi doporučeními, ruční opravou a zapojenou automatizací.

Komu je platforma dostupná

NVIDIA uvedla, že IREN už Minervu používá; dalších osm organizací, včetně IBM, Lambda a Tesla, plánuje její nasazení. Podle společnosti nabídnou Dell Technologies, Lenovo a Supermicro Minervu jako součást svých portfolií řešení pro AI továrny. Oznámení uvádí současná i plánovaná nasazení, neobsahuje však nezávislá srovnávací měření přínosu pro operátory.

Stránka produktu NVIDIA uvádí možnosti nasazení — od sběru telemetrie s předáváním dat do externích nástrojů, například Grafany, až po plnohodnotnou platformu AIOps. Dokumentace také popisuje sběr signálů z různých komponent a integrace s provozními nástroji. Před hodnocením produktu by měl tým porovnat seznam podporovaných zdrojů s vlastní infrastrukturou, ověřit pokrytí telemetrií a zaznamenat výchozí ukazatele: dostupnost clusteru, ztracené hodiny GPU, dobu diagnostiky a obnovy.

Minerva je určena organizacím, které musí řešit incidenty na pomezí výpočtů, sítí a AI úloh. Jejím praktickým přínosem je shromáždit tyto signály ve společném kontextu; hodnotu pro konkrétní cluster lze posoudit podle toho, jak dobře systém nachází příčiny skutečných výpadků a zkracuje dobu obnovy.