Michael JohnsonCuando el entrenamiento de un modelo se ralentiza, la causa puede estar fuera de la GPU: en la red, el almacenamiento, el planificador de tareas u otro componente del que depende el trabajo de cómputo. El 22 de octubre de 2026, NVIDIA presentó Minerva, una plataforma de AIOps que conecta la telemetría de la infraestructura con los datos de las cargas de trabajo de IA en ejecución. La empresa la presenta como una herramienta para mejorar la disponibilidad y la productividad de sus fábricas de IA.
Minerva recopila señales de GPU, equipos de red, almacenamiento, planificadores y cargas de trabajo. A continuación, la plataforma crea un grafo dinámico de relaciones entre componentes y tareas. Según NVIDIA, este contexto ayuda a rastrear cómo una anomalía de hardware afecta a una tarea de entrenamiento concreta y a agrupar eventos relacionados en un único incidente con una causa raíz probable. La plataforma analiza miles de millones de puntos de telemetría por hora; esa cifra es una característica del sistema declarada por NVIDIA.
Qué cambia en la investigación de incidentes
Un problema habitual al supervisar clústeres grandes es que las vistas de cómputo, redes y operaciones están separadas. Minerva intenta conectar esas capas: una anomalía en una interfaz de red puede analizarse junto con el estado de la GPU y el rendimiento de la tarea que utiliza esa ruta. El objetivo práctico es acortar el recorrido desde un conjunto de señales hasta la localización del cuello de botella.
La plataforma incluye un asistente de IA para formular preguntas en lenguaje natural y permite conectarse a herramientas agénticas externas. Los operadores pueden examinar el estado del clúster a partir de telemetría en tiempo real y recibir recomendaciones para resolver problemas. NVIDIA describe un flujo en el que un empleado aplica la corrección manualmente, así como la posibilidad de conectar la automatización mediante API de infraestructura y sistemas externos.
Desde el punto de vista operativo, esto separa el diagnóstico de la acción. La correlación de señales puede ayudar a identificar más rápido dónde buscar la causa, mientras que modificar automáticamente la infraestructura sigue siendo una decisión independiente del equipo. Al implementar la plataforma, conviene definir de antemano qué recomendaciones pueden ejecutarse automáticamente, cuáles requieren aprobación y dónde se registran los resultados. Esta es una conclusión práctica derivada de la separación que describe NVIDIA entre recomendaciones, correcciones manuales y automatización conectada.
Quién puede acceder a la plataforma
NVIDIA informó que IREN ya utiliza Minerva; otras ocho organizaciones, entre ellas IBM, Lambda y Tesla, planean implementarla. Según la empresa, Dell Technologies, Lenovo y Supermicro ofrecerán Minerva como parte de sus carteras de soluciones para fábricas de IA. El anuncio enumera implementaciones actuales y previstas, pero no incluye mediciones comparativas independientes de sus efectos para los operadores.
La página del producto de NVIDIA enumera opciones de implementación: desde recopilar telemetría y enviarla a herramientas externas, como Grafana, hasta desplegar una plataforma completa de AIOps. La documentación también describe la recopilación de señales de distintos componentes y las integraciones con herramientas operativas. Antes de evaluar el producto, el equipo debería comparar la lista de fuentes compatibles con su propia infraestructura, comprobar la cobertura de la telemetría y registrar métricas de referencia: disponibilidad del clúster, horas de GPU perdidas y tiempos de diagnóstico y recuperación.
Minerva está dirigida a organizaciones que deben investigar incidentes en la intersección del cómputo, las redes y las tareas de IA. Su utilidad práctica consiste en reunir esas señales en un contexto común; el valor para cada clúster puede evaluarse según la capacidad del sistema para identificar las causas de fallos reales y reducir el tiempo de recuperación.