Michael JohnsonUn guasto in un grande cluster di IA può iniziare con un’anomalia impercettibile: una GPU si surriscalda rispetto alle altre, un’unità di archiviazione rallenta sotto carico e l’addestramento procede più lentamente. Il 22 ottobre 2026 NVIDIA ha presentato Minerva, una piattaforma AIOps che riunisce in un quadro unico la telemetria dell’infrastruttura e dei carichi di lavoro di IA in esecuzione.
Secondo la descrizione di NVIDIA, il sistema mette in relazione i dati di GPU, apparati di rete, sistemi di archiviazione, scheduler e job. Il suo obiettivo pratico è aiutare gli operatori a collegare il peggioramento delle prestazioni di un job a un probabile problema di un componente specifico, invece di dover esaminare dashboard di monitoraggio separate.
Dalle singole metriche a una mappa delle relazioni
Minerva crea un grafo della conoscenza dinamico che collega l’infrastruttura fisica — incluse GPU, SuperNIC, switch e cavi — ai job in esecuzione. Secondo NVIDIA, il sistema elabora miliardi di punti dati all’ora, apprende il comportamento normale del cluster, rileva anomalie e mette in relazione gli eventi correlati tenendo conto della topologia.
Per il team di reperibilità, questi collegamenti sono importanti per diagnosticare i problemi a cascata: l’operatore può seguire il modo in cui il degrado di un elemento si ripercuote su un job che utilizza quella parte del cluster. Minerva raggruppa inoltre i segnali correlati in un incidente con una probabile causa principale, riducendo così il flusso di avvisi isolati.
Le raccomandazioni restano parte del flusso di lavoro
La piattaforma integra un assistente in linguaggio naturale che risponde a domande sullo stato del cluster basandosi sulla telemetria corrente e suggerisce possibili soluzioni. Il team può applicare una correzione manualmente oppure collegare il sistema di automazione alle API dell’infrastruttura e a strumenti esterni basati su agenti. Per l’implementazione è quindi importante stabilire quali azioni restano semplici raccomandazioni e quali l’operatore autorizza a eseguire automaticamente.
NVIDIA descrive gli indicatori di Minerva in termini di risultati utili per una fabbrica di IA: ore di attività delle GPU, goodput, disponibilità del cluster e generazione di token. Il monitoraggio sposta così l’attenzione dal numero di avvisi al rapporto tra lo stato dell’infrastruttura e il lavoro di calcolo effettivamente svolto.
Annuncio e adozione
Tra le aziende che, secondo NVIDIA, utilizzano già Minerva per ottimizzare le fabbriche di IA c’è IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI e Tesla prevedono di implementare la piattaforma; Dell Technologies, Lenovo e Supermicro intendono offrirla nei rispettivi portafogli di soluzioni per la gestione delle fabbriche di IA.
L’annuncio del 22 ottobre conferma la disponibilità della piattaforma e i piani dei partner citati, ma il materiale pubblicato non include misurazioni indipendenti e comparabili di quanto Minerva riduca i tempi di inattività o di diagnosi dei guasti. Un punto di partenza utile per gli operatori è verificare se il sistema copre le loro fonti di telemetria, integrare i suoi incidenti nel processo di reperibilità già in uso e definire separatamente i limiti delle azioni automatiche. Il valore principale dell’approccio consiste nel riunire i segnali dell’infrastruttura e dei carichi di lavoro attorno a un unico obiettivo: capire dove si perde capacità di calcolo utile e perché.