Michael Johnson대규모 AI 클러스터의 장애는 눈에 띄지 않는 변화에서 시작될 수 있습니다. GPU 한 대가 다른 GPU보다 더 뜨거워지거나, 스토리지가 부하를 받으며 속도가 떨어지고, 학습 작업이 느려지는 식입니다. 2026년 10월 22일, NVIDIA는 인프라와 실행 중인 AI 작업의 원격 측정 데이터를 한데 모으는 AIOps 플랫폼 Minerva를 공개했습니다.
NVIDIA의 설명에 따르면, 이 시스템은 GPU, 네트워크 장비, 스토리지, 스케줄러와 작업 데이터를 연관 지어 분석합니다. 실질적인 목표는 운영자가 여러 대시보드에 흩어진 정보를 일일이 살피는 대신, 작업 성능 저하를 특정 구성 요소의 문제 가능성과 연결하도록 돕는 것입니다.
개별 지표에서 연결 관계 지도로
Minerva는 GPU, SuperNIC, 스위치, 케이블을 비롯한 물리적 인프라와 실행 중인 작업을 연결하는 동적 지식 그래프를 구축합니다. NVIDIA에 따르면 시스템은 시간당 수십억 개의 데이터 포인트를 처리하고, 클러스터의 정상 동작을 학습해 이상 징후를 찾아내며, 토폴로지를 고려해 관련 이벤트를 연결합니다.
이런 연결 관계는 당직 팀이 연쇄적인 문제를 진단할 때 중요합니다. 운영자는 한 구성 요소의 성능 저하가 해당 클러스터 구간을 사용하는 작업에 어떤 영향을 미치는지 추적할 수 있습니다. Minerva는 관련 신호를 가능성이 높은 근본 원인과 함께 하나의 인시던트로 묶어 개별 경고의 양도 줄입니다.
권장 사항은 여전히 작업 흐름의 일부
플랫폼에는 현재 원격 측정 데이터를 바탕으로 클러스터 상태에 관한 질문에 답하고 해결 방안을 제안하는 자연어 어시스턴트가 내장되어 있습니다. 팀은 수정 조치를 직접 적용하거나, 인프라 API 및 외부 에이전트 도구와 자동화 시스템을 연동할 수 있습니다. 따라서 도입 시에는 어떤 조치가 권고에 머물고 어떤 조치를 운영자가 자동 실행하도록 허용할지 정하는 것이 중요한 실무 과제입니다.
NVIDIA는 Minerva의 목표 지표를 AI 팩토리 운영의 실질적인 성과, 즉 GPU 가동 시간, 굿풋(goodput), 클러스터 가용성, 토큰 생성량으로 설명합니다. 이는 모니터링의 초점을 경고 건수에서 인프라 상태와 실제로 완료된 연산 작업 간의 관계로 옮깁니다.
발표와 도입
NVIDIA가 AI 팩토리 최적화를 위해 이미 Minerva를 사용 중이라고 밝힌 기업에는 IREN이 포함됩니다. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI, Tesla는 플랫폼을 도입할 계획이며, Dell Technologies, Lenovo, Supermicro는 AI 팩토리 운영 솔루션 포트폴리오에 Minerva를 포함해 제공할 예정입니다.
10월 22일 발표는 플랫폼의 공개와 언급된 파트너들의 도입 계획을 알렸지만, 공개 자료에는 Minerva가 가동 중단이나 문제 탐색 시간을 얼마나 줄이는지 비교할 수 있는 독립적인 측정 결과가 없습니다. 운영자는 먼저 시스템이 자사의 원격 측정 데이터 소스를 지원하는지 확인하고, 인시던트를 기존 당직 절차와 연동하며, 자동 실행의 범위를 별도로 정하는 것이 좋습니다. 이 접근 방식의 핵심 가치는 인프라 신호와 작업 신호를 하나의 질문을 중심으로 모으는 데 있습니다. 즉, 유용한 연산 능력이 어디서, 왜 손실되는지 파악하는 것입니다.