Michael JohnsonQuando l’addestramento di un modello rallenta, la causa può trovarsi al di fuori della GPU: nella rete, in un dispositivo di archiviazione, nello scheduler delle attività o in un altro componente da cui dipende il carico di calcolo. Il 22 ottobre 2026 NVIDIA ha presentato Minerva, una piattaforma AIOps che collega la telemetria dell’infrastruttura ai dati sui carichi di lavoro di IA in esecuzione. L’azienda la presenta come uno strumento per migliorare la disponibilità e la produttività delle proprie fabbriche di IA.
Minerva raccoglie segnali da GPU, apparecchiature di rete, sistemi di archiviazione, scheduler e carichi di lavoro. La piattaforma crea quindi un grafo dinamico delle relazioni tra componenti e attività. Secondo la descrizione di NVIDIA, questo contesto aiuta a ricostruire come un’anomalia hardware influisca su una specifica attività di addestramento e a riunire gli eventi correlati in un unico incidente con una probabile causa principale. La piattaforma analizza miliardi di punti di telemetria all’ora: è una caratteristica del sistema dichiarata da NVIDIA.
Cosa cambia nell’analisi degli incidenti
Un problema comune nel monitoraggio di grandi cluster è che calcolo, rete e operazioni sono rappresentati separatamente. Minerva cerca di collegare questi livelli: un’anomalia dell’interfaccia di rete può essere esaminata insieme allo stato della GPU e alle prestazioni dell’attività che utilizza quel percorso. L’obiettivo pratico è ridurre il tempo necessario per passare da una serie di segnali all’individuazione del collo di bottiglia.
La piattaforma include un assistente IA che risponde a domande in linguaggio naturale e può collegarsi a strumenti agentici esterni. Gli operatori possono esaminare lo stato del cluster usando la telemetria in tempo reale e ricevere suggerimenti per risolvere i problemi. NVIDIA descrive una modalità in cui un addetto applica manualmente la correzione, oltre alla possibilità di collegare l’automazione tramite le API dell’infrastruttura e sistemi esterni.
Per le operazioni, questo distingue la diagnosi dall’intervento. Correlare i segnali può aiutare a individuare più rapidamente dove cercare la causa, mentre modificare automaticamente l’infrastruttura resta una decisione separata del team. In fase di implementazione è utile definire in anticipo quali suggerimenti possono essere eseguiti automaticamente, quali richiedono una conferma e dove registrare i risultati. È una conclusione pratica derivata dalla distinzione descritta da NVIDIA tra suggerimenti, correzioni manuali e automazione collegata.
A chi è disponibile la piattaforma
NVIDIA ha dichiarato che IREN utilizza già Minerva; altre otto organizzazioni, tra cui IBM, Lambda e Tesla, ne pianificano l’implementazione. Secondo l’azienda, Dell Technologies, Lenovo e Supermicro offriranno Minerva nei rispettivi portafogli di soluzioni per le fabbriche di IA. L’annuncio elenca implementazioni attuali e pianificate, ma non include misurazioni comparative indipendenti dei risultati per gli operatori.
La pagina del prodotto NVIDIA elenca le opzioni di implementazione: dalla raccolta della telemetria con invio dei dati a strumenti esterni, come Grafana, fino a una piattaforma AIOps completa. La documentazione descrive anche la raccolta di segnali da diversi componenti e le integrazioni con gli strumenti operativi. Prima di valutare il prodotto, il team dovrebbe confrontare l’elenco delle fonti supportate con la propria infrastruttura, verificare la copertura della telemetria e registrare i valori di riferimento: disponibilità del cluster, ore-GPU perse, tempi di diagnosi e di ripristino.
Minerva si rivolge alle organizzazioni che devono analizzare incidenti a cavallo tra calcolo, rete e attività di IA. Il suo scopo pratico è riunire questi segnali in un contesto comune; il valore per un determinato cluster può essere valutato in base alla capacità del sistema di individuare le cause dei guasti reali e ridurre i tempi di ripristino.