Michael JohnsonPorucha ve velkém AI clusteru může začít nenápadnou odchylkou: jeden GPU se zahřívá více než ostatní, úložiště při zátěži ztrácí rychlost a trénování se zpomaluje. Dne 22. října 2026 představila NVIDIA Minervu, platformu AIOps, která sjednocuje telemetrii infrastruktury a běžících AI úloh do jednoho přehledu.
Podle popisu společnosti NVIDIA systém propojuje data z GPU, síťových zařízení, úložišť, plánovačů a úloh. Jeho praktickým cílem je pomoci provozovatelům spojit zhoršení výkonu úlohy s pravděpodobným problémem konkrétní komponenty, místo aby museli procházet oddělené monitorovací panely.
Od jednotlivých metrik k mapě souvislostí
Minerva vytváří dynamický znalostní graf propojující fyzickou infrastrukturu — včetně GPU, SuperNIC, přepínačů a kabelů — s běžícími úlohami. Podle společnosti NVIDIA systém zpracovává miliardy datových bodů za hodinu, učí se běžnému chování clusteru, odhaluje anomálie a s ohledem na topologii propojuje související události.
Pro pohotovostní tým je takové propojení důležité při diagnostice kaskádových problémů: operátor může sledovat, jak se zhoršení stavu jednoho prvku promítá do úlohy využívající danou část clusteru. Minerva také slučuje související signály do incidentu s pravděpodobnou prvotní příčinou, aby omezila množství jednotlivých upozornění.
Doporučení jsou součástí pracovního procesu
Platforma obsahuje asistenta ovládaného přirozeným jazykem, který na základě aktuální telemetrie odpovídá na otázky o stavu clusteru a navrhuje možnosti řešení problémů. Tým může opravu provést ručně nebo propojit automatizační systém s infrastrukturními API a externími nástroji agentů. Důležitou praktickou otázkou při zavádění proto je, které kroky zůstanou doporučeními a které operátor povolí provádět automaticky.
NVIDIA popisuje cílové ukazatele Minervy prostřednictvím užitečných výsledků provozu AI továrny: hodin provozu GPU, goodputu, dostupnosti clusteru a počtu generovaných tokenů. Monitorování se tak přesouvá od počtu upozornění k souvislosti mezi stavem infrastruktury a skutečně vykonanou výpočetní prací.
Představení a nasazení
Mezi společnosti, které podle sdělení NVIDIA již Minervu používají k optimalizaci AI továren, patří IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI a Tesla plánují platformu nasadit; Dell Technologies, Lenovo a Supermicro ji zamýšlejí nabízet v rámci svých portfolií řešení pro provoz AI továren.
Oznámení z 22. října potvrzuje dostupnost platformy a plány uvedených partnerů, zveřejněný materiál však neobsahuje srovnatelná nezávislá měření toho, nakolik Minerva zkracuje výpadky nebo dobu potřebnou k nalezení závady. Provozovatelé mohou začít tím, že ověří, zda systém pokrývá jejich zdroje telemetrie, propojí jeho incidenty se stávajícím pohotovostním procesem a samostatně stanoví hranice automatizovaných akcí. Hlavní přínos tohoto přístupu spočívá ve sjednocení signálů infrastruktury a úloh kolem jediného cíle: zjistit, kde se ztrácí užitečný výpočetní výkon a proč.