Michael JohnsonUne panne dans un grand cluster d’IA peut commencer par une anomalie discrète : un GPU chauffe davantage que les autres, un périphérique de stockage ralentit sous la charge et un entraînement s’exécute plus lentement. Le 22 octobre 2026, NVIDIA a présenté Minerva, une plateforme AIOps qui rassemble la télémétrie de l’infrastructure et des charges de travail d’IA dans une vue unifiée.
D’après la présentation de NVIDIA, le système corrèle les données des GPU, des équipements réseau, du stockage, des ordonnanceurs et des tâches. Son objectif pratique est d’aider les opérateurs à relier la dégradation des performances d’une tâche à un problème probable d’un composant précis, plutôt que de devoir analyser des tableaux de bord disparates.
Des métriques isolées à une carte des relations
Minerva crée un graphe de connaissances dynamique reliant l’infrastructure physique — notamment les GPU, les SuperNIC, les commutateurs et les câbles — aux tâches en cours. Selon NVIDIA, le système traite des milliards de points de données par heure, apprend le comportement habituel du cluster, détecte les anomalies et corrèle les événements associés en tenant compte de la topologie.
Pour l’équipe d’astreinte, ces relations sont importantes pour diagnostiquer les problèmes en cascade : l’opérateur peut suivre la manière dont la dégradation d’un élément affecte une tâche qui utilise cette partie du cluster. Minerva regroupe également les signaux associés dans un incident assorti d’une cause première probable, afin de réduire le flux d’alertes individuelles.
Les recommandations restent intégrées au processus de travail
La plateforme intègre un assistant en langage naturel qui répond aux questions sur l’état du cluster à partir de la télémétrie actuelle et propose des pistes de résolution. L’équipe peut appliquer les correctifs manuellement ou connecter le système d’automatisation aux API de l’infrastructure et à des outils d’agents externes. Une question pratique importante lors du déploiement est donc de savoir quelles actions restent de simples recommandations et lesquelles l’opérateur autorise à exécuter automatiquement.
NVIDIA décrit les indicateurs ciblés par Minerva en fonction des résultats utiles d’une usine d’IA : les heures de fonctionnement des GPU, le goodput, la disponibilité du cluster et le débit de jetons. Le suivi se concentre ainsi moins sur le nombre d’alertes que sur le lien entre l’état de l’infrastructure et le travail de calcul réellement accompli.
Annonce et déploiement
Parmi les entreprises qui utilisent déjà Minerva pour optimiser leurs usines d’IA, NVIDIA cite IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI et Tesla prévoient de déployer la plateforme ; Dell Technologies, Lenovo et Supermicro comptent la proposer dans leurs portefeuilles de solutions destinées à l’exploitation d’usines d’IA.
L’annonce du 22 octobre confirme la disponibilité de la plateforme et les projets des partenaires cités, mais le document publié ne fournit pas de mesures indépendantes comparables de la réduction des temps d’arrêt ou du temps nécessaire à la recherche des pannes grâce à Minerva. Pour les opérateurs, une première étape utile consiste à vérifier si le système couvre leurs sources de télémétrie, à intégrer ses incidents au processus d’astreinte existant et à définir séparément les limites des actions automatisées. L’intérêt principal de cette approche est de réunir les signaux de l’infrastructure et des charges de travail autour d’un même objectif : comprendre où la puissance de calcul utile se perd et pourquoi.