Michael JohnsonSuuren tekoälyklusterin häiriö voi alkaa huomaamattomasta poikkeamasta: yksi GPU käy muita kuumempana, tallennuslaite hidastuu kuormituksessa ja koulutusprosessi hidastuu. NVIDIA esitteli 22. lokakuuta 2026 Minervan, AIOps-alustan, joka kokoaa infrastruktuurin ja suoritettavien tekoälytyökuormien telemetrian yhteen näkymään.
NVIDIAn kuvauksen mukaan järjestelmä yhdistää GPU:iden, verkkolaitteiden, tallennusjärjestelmien, ajastimien ja tehtävien tietoja. Käytännössä sen tarkoituksena on auttaa ylläpitäjiä yhdistämään tehtävän suorituskyvyn heikkeneminen tietyn komponentin todennäköiseen ongelmaan sen sijaan, että he joutuisivat tutkimaan erillisiä valvontanäkymiä.
Yksittäisistä mittareista yhteyksien karttaan
Minerva rakentaa dynaamisen tietämysgraafin, joka yhdistää fyysisen infrastruktuurin – kuten GPU:t, SuperNIC-verkkokortit, kytkimet ja kaapelit – suoritettaviin tehtäviin. NVIDIAn mukaan järjestelmä käsittelee miljardeja datapisteitä tunnissa, oppii klusterin tavanomaisesta toiminnasta, tunnistaa poikkeamia ja yhdistää toisiinsa liittyviä tapahtumia topologian perusteella.
Ylläpitovuorossa olevalle tiimille tällainen yhteys on tärkeä ketjuuntuvien ongelmien selvittämisessä: ylläpitäjä voi seurata, miten yhden osan heikkeneminen vaikuttaa tehtävään, joka käyttää kyseistä klusterin osaa. Minerva myös ryhmittelee toisiinsa liittyvät signaalit häiriöksi, jolle se ehdottaa todennäköistä juurisyytä, jotta yksittäisten hälytysten määrä vähenee.
Suositukset osana työnkulkua
Alustaan sisältyy luonnollisen kielen avustaja, joka vastaa klusterin tilaa koskeviin kysymyksiin ajantasaisen telemetrian perusteella ja ehdottaa ratkaisuja ongelmiin. Tiimi voi toteuttaa korjauksen käsin tai yhdistää automaatiojärjestelmän infrastruktuurin rajapintoihin ja ulkoisiin agenttityökaluihin. Käyttöönotossa onkin tärkeää ratkaista, mitkä toimet jäävät suosituksiksi ja mitkä ylläpitäjä sallii suoritettaviksi automaattisesti.
NVIDIA kuvaa Minervan tavoitemittareita tekoälytehtaan hyödyllisen tuotoksen kautta: GPU:n käyttöaika, goodput, klusterin käytettävyys ja tuotettujen tokenien määrä. Näin valvonnan painopiste siirtyy hälytysten lukumäärästä infrastruktuurin tilan ja tosiasiallisesti tehdyn laskentatyön väliseen yhteyteen.
Julkistus ja käyttöönotto
NVIDIAn mukaan IREN kuuluu yrityksiin, jotka jo käyttävät Minervaa tekoälytehtaiden optimointiin. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI ja Tesla suunnittelevat alustan käyttöönottoa; Dell Technologies, Lenovo ja Supermicro aikovat tarjota sitä osana tekoälytehtaiden käyttöön tarkoitettuja ratkaisukokonaisuuksiaan.
Lokakuun 22. päivän julkistus vahvistaa alustan saatavuuden ja nimettyjen kumppanien suunnitelmat, mutta julkaistussa aineistossa ei esitetä vertailukelpoisia riippumattomia mittauksia siitä, kuinka paljon Minerva vähentää käyttökatkoja tai vianmääritykseen kuluvaa aikaa. Ylläpitäjät voivat aloittaa selvittämällä, kattaako järjestelmä heidän telemetrialähteensä, liittämällä sen häiriöt nykyiseen päivystysprosessiin ja määrittelemällä erikseen automaattisten toimien rajat. Lähestymistavan keskeinen hyöty on infrastruktuurin ja työkuormien signaalien kokoaminen yhden kysymyksen ympärille: missä hyödyllistä laskentakapasiteettia menetetään ja miksi.