Michael JohnsonKun mallin koulutus hidastuu, syy voi löytyä muualta kuin GPU:sta: verkosta, tallennuslaitteesta, tehtävien ajoittimesta tai muusta laskentatehtävän tarvitsemasta komponentista. 22. lokakuuta 2026 NVIDIA esitteli Minervan, AIOps-alustan, joka yhdistää infrastruktuurin telemetrian käynnissä olevien tekoälykuormien tietoihin. Yhtiö asemoi sen työkaluksi, jolla voidaan parantaa tekoälytehtaiden käytettävyyttä ja tuottavuutta.
Minerva kerää signaaleja GPU:ilta, verkkolaitteilta, tallennusjärjestelmistä, ajoittimista ja työkuormista. Sen jälkeen alusta muodostaa dynaamisen yhteyskaavion komponenttien ja tehtävien välille. NVIDIAn kuvauksen mukaan tämä konteksti auttaa jäljittämään, miten laitteistopoikkeama vaikuttaa tiettyyn koulutustehtävään, sekä kokoamaan toisiinsa liittyvät tapahtumat yhdeksi häiriöksi, jolla on todennäköinen juurisyy. Alusta analysoi miljardeja telemetriapisteitä tunnissa – tämä on NVIDIAn ilmoittama järjestelmän ominaisuus.
Mikä muuttuu häiriöiden selvittämisessä
Suurten klusterien tavallinen valvontaongelma on, että laskennasta, verkosta ja ylläpidosta on erilliset näkymät. Minerva pyrkii yhdistämään nämä kerrokset: verkkoliitännän poikkeamaa voidaan tarkastella rinnakkain GPU:n tilan ja reittiä käyttävän tehtävän suorituskyvyn kanssa. Käytännön tavoitteena on lyhentää matkaa signaalijoukosta pullonkaulan paikantamiseen.
Alustassa on sisäänrakennettu tekoälyavustaja luonnollisen kielen kysymyksiä varten sekä yhteys ulkoisiin agenttityökaluihin. Ylläpitäjä voi tutkia klusterin tilaa reaaliaikaisen telemetrian avulla ja saada suosituksia ongelmien ratkaisemiseen. NVIDIA kuvaa vaihtoehdon, jossa työntekijä toteuttaa korjauksen manuaalisesti, sekä mahdollisuuden kytkeä automaatio infrastruktuurin API:n ja ulkoisten järjestelmien kautta.
Ylläpidossa tämä erottaa diagnosoinnin toimenpiteistä. Signaalien vertailu voi auttaa tunnistamaan nopeammin, mistä syytä kannattaa etsiä, kun taas infrastruktuurin automaattinen muuttaminen jää erilliseksi tiimin päätökseksi. Käyttöönoton yhteydessä kannattaa määritellä etukäteen, mitkä suositukset voidaan toteuttaa automaattisesti, mitkä vaativat vahvistuksen ja mihin tulokset kirjataan. Tämä on käytännön johtopäätös NVIDIAn kuvaamasta erosta suositusten, manuaalisten korjausten ja kytketyn automaation välillä.
Kenelle alusta on saatavilla
NVIDIA kertoi, että IREN käyttää jo Minervaa; kahdeksan muuta organisaatiota, IBM, Lambda ja Tesla mukaan lukien, suunnittelee käyttöönottoa. Yhtiön mukaan Dell Technologies, Lenovo ja Supermicro tarjoavat Minervaa osana tekoälytehtaiden ratkaisukokonaisuuksiaan. Julkistus luettelee nykyisiä ja suunniteltuja käyttöönottoja, mutta ei sisällä riippumattomia vertailumittauksia vaikutuksista ylläpitäjille.
NVIDIAn tuotesivulla luetellaan käyttöönoton vaihtoehdot telemetrian keräämisestä ja sen välittämisestä ulkoisiin työkaluihin, kuten Grafanaan, aina täysimittaiseen AIOps-alustaan. Dokumentaatiossa kuvataan myös signaalien keräämistä eri komponenteista ja integraatioita ylläpitotyökaluihin. Tuotetta arvioivan tiimin kannattaa verrata tuettujen lähteiden luetteloa omaan infrastruktuuriinsa, tarkistaa telemetrian kattavuus ja kirjata lähtötasot: klusterin käytettävyys, menetetyt GPU-tunnit sekä diagnosointiin ja palautumiseen kuluva aika.
Minerva on suunnattu organisaatioille, joiden on selvitettävä laskennan, verkon ja tekoälytehtävien rajapinnoilla tapahtuvia häiriöitä. Sen käytännön tarkoitus on koota nämä signaalit yhteiseen kontekstiin; alustan arvo yksittäiselle klusterille voidaan arvioida sen perusteella, kuinka hyvin se löytää todellisten häiriöiden syyt ja lyhentää palautumisaikaa.