Michael JohnsonWanneer het trainen van een model vertraagt, kan de oorzaak buiten de GPU liggen: in het netwerk, de opslag, de taakplanner of een ander onderdeel waarvan de rekentaak afhankelijk is. Op 22 oktober 2026 presenteerde NVIDIA Minerva, een AIOps-platform dat infrastructuurtelemetrie koppelt aan gegevens over draaiende AI-workloads. Het bedrijf positioneert het als een hulpmiddel om de beschikbaarheid en productiviteit van zijn AI-fabrieken te verhogen.
Minerva verzamelt signalen van GPU’s, netwerkapparatuur, opslagsystemen, planners en workloads. Vervolgens bouwt het platform een dynamische grafiek van de verbanden tussen componenten en taken. Volgens de beschrijving van NVIDIA helpt die context te volgen hoe een hardwareafwijking een specifieke trainingstaak beïnvloedt en samenhangende gebeurtenissen te bundelen tot één incident met een waarschijnlijke hoofdoorzaak. Het platform analyseert miljarden telemetriepunten per uur — een door NVIDIA opgegeven systeemeigenschap.
Wat verandert er bij incidentanalyse?
Een veelvoorkomend probleem bij het monitoren van grote clusters is dat berekeningen, netwerken en beheer afzonderlijk worden weergegeven. Minerva probeert die lagen met elkaar te verbinden: een afwijking van een netwerkinterface kan naast de GPU-status en de prestaties worden bekeken van de taak die die route gebruikt. Het praktische doel is de weg te verkorten van een reeks signalen naar het lokaliseren van een knelpunt.
Het platform bevat een ingebouwde AI-assistent voor vragen in natuurlijke taal en kan worden gekoppeld aan externe agentische tools. Een operator kan de clusterstatus onderzoeken aan de hand van live telemetrie en aanbevelingen krijgen om problemen op te lossen. NVIDIA beschrijft zowel een werkwijze waarbij een medewerker de oplossing handmatig toepast als de mogelijkheid om automatisering aan te sluiten via de infrastructuur-API en externe systemen.
Voor het beheer betekent dit dat diagnose en actie van elkaar worden gescheiden. Het combineren van signalen kan helpen sneller te bepalen waar de oorzaak gezocht moet worden, terwijl een automatische wijziging aan de infrastructuur een afzonderlijke beslissing van het team blijft. Bij de invoering is het nuttig vooraf vast te leggen welke aanbevelingen automatisch mogen worden uitgevoerd, waarvoor goedkeuring nodig is en waar de resultaten worden geregistreerd. Dit is een praktische gevolgtrekking uit het door NVIDIA beschreven onderscheid tussen aanbevelingen, handmatige oplossingen en gekoppelde automatisering.
Voor wie is het platform beschikbaar?
NVIDIA meldde dat IREN Minerva al gebruikt; acht andere organisaties, waaronder IBM, Lambda en Tesla, zijn van plan het platform uit te rollen. Dell Technologies, Lenovo en Supermicro zullen Minerva volgens het bedrijf aanbieden als onderdeel van hun portfolio’s met oplossingen voor AI-fabrieken. De aankondiging noemt bestaande en geplande implementaties, maar bevat geen onafhankelijke vergelijkende metingen van de effecten voor operators.
Op de productpagina van NVIDIA staan verschillende implementatiemogelijkheden: van telemetrie verzamelen en doorsturen naar externe tools zoals Grafana tot een volledig AIOps-platform. De documentatie beschrijft ook het verzamelen van signalen uit verschillende componenten en integraties met beheertools. Voordat een team het product beoordeelt, kan het de ondersteunde bronnen vergelijken met de eigen infrastructuur, de dekking van de telemetrie controleren en de uitgangswaarden vastleggen: clusterbeschikbaarheid, verloren GPU-uren en de tijd die nodig is voor diagnose en herstel.
Minerva is bedoeld voor organisaties die incidenten moeten analyseren op het raakvlak van rekenkracht, netwerken en AI-taken. De praktische waarde is dat deze signalen in één context worden samengebracht; voor een specifiek cluster kan het nut worden beoordeeld aan de hand van hoe goed het systeem de oorzaken van echte storingen vindt en de hersteltijd verkort.