Michael JohnsonСбой в большом ИИ-кластере может начинаться с незаметного отклонения: один GPU работает горячее остальных, накопитель теряет скорость под нагрузкой, а обучение замедляется. 22 октября 2026 года NVIDIA представила Minerva — платформу AIOps, которая сводит телеметрию инфраструктуры и выполняемых ИИ-нагрузок в общую картину.
NVIDIAの説明によると、このシステムはGPU、ネットワーク機器、ストレージ、スケジューラー、ジョブのデータを突き合わせます。実用面では、ジョブの性能低下を特定コンポーネントの問題と結び付け、運用担当者がばらばらの監視ダッシュボードを調べずに済むよう支援することを目指しています。
個別のメトリクスから関連性を示すマップへ
Minervaは、GPU、SuperNIC、スイッチ、ケーブルなどの物理インフラと、実行中のジョブを結び付ける動的なナレッジグラフを構築します。NVIDIAによると、システムは1時間あたり数十億件のデータポイントを処理し、クラスターの通常時の挙動を学習して異常を検出し、トポロジーを考慮しながら関連イベントを照合します。
当番チームにとって、このつながりは連鎖的な問題の診断に重要です。運用担当者は、ある要素の性能低下が、そのクラスター区画を使用するジョブにどう影響しているかを追跡できます。Minervaは関連するシグナルを、根本原因と考えられる要因を伴うインシデントにまとめ、個別のアラートが大量に流れるのを抑えます。
推奨事項は運用プロセスの一部として残る
プラットフォームには自然言語アシスタントが組み込まれており、現在のテレメトリーに基づいてクラスターの状態に関する質問に答え、問題の解決策を提案します。チームは修正を手動で適用することも、インフラストラクチャAPIや外部のエージェントツールと自動化システムを連携させることもできます。そのため導入時の重要な実務上の論点は、どの操作を推奨にとどめ、どの操作を運用担当者が自動実行に許可するかです。
NVIDIAは、GPU稼働時間、goodput、クラスターの可用性、トークン生成量を通じて、AIファクトリーの成果という観点からMinervaの目標指標を説明しています。これにより、監視の焦点はアラート数から、インフラの状態と実際に完了した計算作業との関係へと移ります。
発表と導入
NVIDIAの発表によると、AIファクトリーの最適化にMinervaをすでに利用している企業としてIRENが挙げられています。Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI、Teslaは導入を計画しており、Dell Technologies、Lenovo、SupermicroはAIファクトリー運用向けソリューション群の一部として提供する予定です。
10月22日の発表ではプラットフォームの提供開始と、名を挙げられたパートナーの計画が示されていますが、Minervaが停止時間や障害調査にかかる時間をどれほど短縮するかを示す、比較可能な独立測定値は公開資料にありません。運用担当者にとって有用な出発点は、システムが自社のテレメトリーソースを網羅しているかを確認し、Minervaのインシデントを既存の当番対応プロセスに結び付け、自動実行する操作の範囲を個別に定めることです。このアプローチの主な価値は、インフラとワークロードのシグナルを一つの問いに集約することにあります。つまり、有用な計算能力がどこで、なぜ失われているのかを把握することです。