Michael JohnsonLorsqu’un entraînement de modèle ralentit, la cause peut se trouver ailleurs que dans le GPU : dans le réseau, le stockage, l’ordonnanceur de tâches ou un autre composant dont dépend le calcul. Le 22 octobre 2026, NVIDIA a présenté Minerva, une plateforme AIOps qui relie la télémétrie de l’infrastructure aux données des charges de travail d’IA en cours. L’entreprise la présente comme un outil destiné à améliorer la disponibilité et la productivité de ses usines d’IA.
Minerva collecte des signaux provenant des GPU, des équipements réseau, du stockage, des ordonnanceurs et des charges de travail. La plateforme construit ensuite un graphe dynamique des liens entre les composants et les tâches. Selon la description de NVIDIA, ce contexte permet de suivre l’effet d’une anomalie matérielle sur une tâche d’entraînement précise et de regrouper les événements associés dans un même incident, avec une cause première probable. La plateforme analyse des milliards de points de télémétrie par heure — une caractéristique du système annoncée par NVIDIA.
Ce qui change dans l’analyse des incidents
Dans les grands clusters, l’un des problèmes courants de la surveillance tient à la séparation des vues du calcul, du réseau et de l’exploitation. Minerva cherche à relier ces couches : une anomalie d’interface réseau peut être examinée en parallèle de l’état du GPU et des performances de la tâche qui emprunte cette voie. L’objectif pratique est de réduire le temps nécessaire pour passer d’un ensemble de signaux à la localisation d’un goulot d’étranglement.
La plateforme intègre un assistant IA capable de répondre à des questions en langage naturel et peut se connecter à des outils agentiques externes. Un opérateur peut examiner l’état du cluster à partir de la télémétrie en temps réel et recevoir des recommandations pour résoudre les problèmes. NVIDIA décrit un scénario dans lequel un employé applique manuellement la correction, ainsi que la possibilité de mettre en place une automatisation via l’API de l’infrastructure et des systèmes externes.
Pour l’exploitation, cela distingue le diagnostic de l’action. La mise en correspondance des signaux peut aider à déterminer plus rapidement où chercher la cause, tandis que la modification automatique de l’infrastructure reste une décision distincte de l’équipe. Lors du déploiement, il est utile de définir à l’avance quelles recommandations peuvent être appliquées automatiquement, lesquelles nécessitent une confirmation et où les résultats sont consignés. Il s’agit d’une déduction pratique à partir de la distinction décrite par NVIDIA entre recommandations, corrections manuelles et automatisation connectée.
Qui peut utiliser la plateforme
NVIDIA indique qu’IREN utilise déjà Minerva ; huit autres organisations, dont IBM, Lambda et Tesla, prévoient de la déployer. Selon l’entreprise, Dell Technologies, Lenovo et Supermicro proposeront Minerva dans leurs portefeuilles de solutions pour les usines d’IA. L’annonce énumère des déploiements actuels et prévus, mais ne fournit pas de mesures comparatives indépendantes de leurs effets pour les opérateurs.
La page produit de NVIDIA présente plusieurs options de déploiement : de la collecte de télémétrie avec transfert des données vers des outils externes, comme Grafana, à une plateforme AIOps complète. La documentation décrit également la collecte de signaux issus de différents composants et les intégrations avec des outils d’exploitation. Avant d’évaluer le produit, une équipe gagnera à comparer la liste des sources prises en charge à sa propre infrastructure, à vérifier la couverture de la télémétrie et à établir des indicateurs de référence : disponibilité du cluster, heures GPU perdues, temps de diagnostic et temps de rétablissement.
Minerva s’adresse aux organisations qui doivent analyser des incidents à l’intersection du calcul, du réseau et des tâches d’IA. Son intérêt pratique consiste à réunir ces signaux dans un contexte commun ; sa valeur pour un cluster donné peut être évaluée en fonction de sa capacité à trouver les causes de pannes réelles et à réduire le temps de rétablissement.