Michael JohnsonEin Ausfall in einem großen KI-Cluster kann mit einer unauffälligen Abweichung beginnen: Eine GPU wird heißer als die anderen, ein Speicher verliert unter Last an Geschwindigkeit und das Training verlangsamt sich. Am 22. Oktober 2026 stellte NVIDIA Minerva vor, eine AIOps-Plattform, die Telemetriedaten der Infrastruktur und laufender KI-Workloads in einem Gesamtbild zusammenführt.
Laut der Beschreibung von NVIDIA führt das System Daten von GPUs, Netzwerkgeräten, Speichern, Planern und Aufgaben zusammen. Sein praktisches Ziel ist es, Betreibern dabei zu helfen, eine Verschlechterung der Leistung einer Aufgabe mit einem wahrscheinlichen Problem an einer bestimmten Komponente in Verbindung zu bringen, statt einzelne, voneinander getrennte Monitoring-Dashboards durchzugehen.
Von einzelnen Messwerten zu einer Karte der Zusammenhänge
Minerva erstellt einen dynamischen Wissensgraphen, der die physische Infrastruktur – darunter GPUs, SuperNICs, Switches und Kabel – mit den laufenden Aufgaben verknüpft. NVIDIA zufolge verarbeitet das System Milliarden Datenpunkte pro Stunde, lernt das normale Verhalten des Clusters kennen, erkennt Anomalien und ordnet zusammenhängende Ereignisse unter Berücksichtigung der Topologie ein.
Für das Bereitschaftsteam ist dieser Zusammenhang bei der Diagnose kaskadierender Probleme wichtig: Betreiber können nachvollziehen, wie sich die Beeinträchtigung eines Elements auf eine Aufgabe auswirkt, die diesen Teil des Clusters nutzt. Minerva gruppiert außerdem zusammenhängende Signale zu einem Vorfall mit einer wahrscheinlichen Ursache, um die Flut einzelner Warnmeldungen einzudämmen.
Empfehlungen bleiben Teil des Arbeitsablaufs
Die Plattform enthält einen Assistenten in natürlicher Sprache, der Fragen zum Clusterzustand anhand aktueller Telemetriedaten beantwortet und mögliche Lösungen vorschlägt. Das Team kann eine Korrektur manuell umsetzen oder ein Automatisierungssystem mit Infrastruktur-APIs und externen Agentenwerkzeugen verbinden. Eine wichtige praktische Frage bei der Einführung lautet daher, welche Maßnahmen Empfehlungen bleiben und welche der Betreiber zur automatischen Ausführung freigibt.
NVIDIA beschreibt die Zielgrößen von Minerva anhand des Nutzens der KI-Fabrik: GPU-Betriebsstunden, Goodput, Clusterverfügbarkeit und Token-Ausstoß. Damit verlagert sich der Schwerpunkt des Monitorings von der Anzahl der Warnmeldungen auf den Zusammenhang zwischen dem Zustand der Infrastruktur und der tatsächlich geleisteten Rechenarbeit.
Ankündigung und Einführung
Zu den Unternehmen, die Minerva laut NVIDIA bereits zur Optimierung von KI-Fabriken einsetzen, gehört IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI und Tesla planen, die Plattform einzuführen; Dell Technologies, Lenovo und Supermicro wollen sie in ihre Lösungsportfolios für den Betrieb von KI-Fabriken aufnehmen.
Die Ankündigung vom 22. Oktober bestätigt die Verfügbarkeit der Plattform und die Pläne der genannten Partner. Der veröffentlichte Beitrag enthält jedoch keine vergleichbaren unabhängigen Messungen dazu, wie stark Minerva Ausfallzeiten oder die Fehlersuchdauer verkürzt. Für Betreiber ist es sinnvoll, zunächst zu prüfen, ob das System ihre Telemetriequellen abdeckt, seine Vorfälle mit dem bestehenden Bereitschaftsprozess abzugleichen und die Grenzen automatischer Maßnahmen festzulegen. Der zentrale Nutzen des Ansatzes liegt darin, Infrastruktur- und Workload-Signale rund um eine Aufgabe zusammenzuführen: herauszufinden, wo nutzbare Rechenleistung verloren geht und warum.