Michael JohnsonWenn sich das Training eines Modells verlangsamt, kann die Ursache außerhalb der GPU liegen: im Netzwerk, im Speicher, im Job-Scheduler oder in einer anderen Komponente, von der die Rechenaufgabe abhängt. Am 22. Oktober 2026 stellte NVIDIA Minerva vor, eine AIOps-Plattform, die Infrastrukturtelemetrie mit Daten zu laufenden KI-Workloads verknüpft. Das Unternehmen positioniert sie als Werkzeug, um die Verfügbarkeit und Produktivität seiner KI-Fabriken zu steigern.
Minerva sammelt Signale von GPUs, Netzwerkgeräten, Speichern, Job-Schedulern und Workloads. Anschließend erstellt die Plattform einen dynamischen Graphen der Verbindungen zwischen Komponenten und Aufgaben. Laut NVIDIA hilft dieser Kontext dabei, nachzuverfolgen, wie sich eine Hardwareanomalie auf eine bestimmte Trainingsaufgabe auswirkt, und zusammenhängende Ereignisse zu einem Vorfall mit einer wahrscheinlichen Grundursache zu bündeln. Die Plattform analysiert Milliarden Telemetriedatenpunkte pro Stunde – eine von NVIDIA angegebene Systemeigenschaft.
Was sich bei der Analyse von Vorfällen ändert
Ein typisches Monitoring-Problem in großen Clustern sind getrennte Ansichten für Rechenleistung, Netzwerk und Betrieb. Minerva soll diese Ebenen miteinander verknüpfen: Eine Abweichung an einer Netzwerkschnittstelle lässt sich zusammen mit dem GPU-Zustand und der Leistung des Jobs betrachten, der diese Verbindung nutzt. Das praktische Ziel ist, den Weg von einer Reihe von Signalen zur Lokalisierung des Engpasses zu verkürzen.
Die Plattform verfügt über einen integrierten KI-Assistenten für natürlichsprachliche Fragen und lässt sich an externe agentische Tools anbinden. Betreiber können den Clusterzustand anhand aktueller Telemetriedaten untersuchen und Empfehlungen zur Fehlerbehebung erhalten. NVIDIA beschreibt sowohl ein Szenario, in dem Mitarbeitende eine Korrektur manuell vornehmen, als auch die Möglichkeit, Automatisierung über Infrastruktur-APIs und externe Systeme anzubinden.
Für den Betrieb trennt dies Diagnose und Maßnahme. Der Abgleich von Signalen kann dabei helfen, schneller festzustellen, wo die Ursache zu suchen ist; eine automatische Änderung der Infrastruktur bleibt eine gesonderte Entscheidung des Teams. Bei der Einführung ist es sinnvoll, vorab festzulegen, welche Empfehlungen automatisch umgesetzt werden dürfen, welche eine Bestätigung erfordern und wo die Ergebnisse dokumentiert werden. Dies ist eine praktische Schlussfolgerung aus der von NVIDIA beschriebenen Trennung zwischen Empfehlungen, manueller Fehlerbehebung und angebundener Automatisierung.
Für wen die Plattform verfügbar ist
NVIDIA zufolge nutzt IREN Minerva bereits; acht weitere Organisationen, darunter IBM, Lambda und Tesla, planen eine Einführung. Dell Technologies, Lenovo und Supermicro werden Minerva nach Angaben des Unternehmens in ihr Lösungsportfolio für KI-Fabriken aufnehmen. Die Ankündigung nennt bestehende und geplante Implementierungen, enthält jedoch keine unabhängigen Vergleichsmessungen zu den Auswirkungen für Betreiber.
Auf der NVIDIA-Produktseite werden Bereitstellungsoptionen aufgeführt – von der Telemetrieerfassung mit Weitergabe der Daten an externe Tools wie Grafana bis hin zu einer vollständigen AIOps-Plattform. Die Dokumentation beschreibt außerdem die Erfassung von Signalen aus verschiedenen Komponenten und Integrationen mit Betriebssystemen. Vor der Produktbewertung sollte ein Team die Liste der unterstützten Quellen mit der eigenen Infrastruktur abgleichen, die Abdeckung der Telemetrie prüfen und Ausgangswerte festhalten: Clusterverfügbarkeit, ausgefallene GPU-Stunden sowie Diagnose- und Wiederherstellungszeit.
Minerva richtet sich an Organisationen, die Vorfälle an den Schnittstellen von Rechenleistung, Netzwerk und KI-Aufgaben untersuchen müssen. Der praktische Nutzen liegt darin, diese Signale in einem gemeinsamen Kontext zusammenzuführen. Welchen Mehrwert die Plattform für einen bestimmten Cluster bietet, lässt sich daran messen, wie gut sie die Ursachen tatsächlicher Ausfälle findet und die Wiederherstellungszeit verkürzt.