Michael JohnsonEen storing in een groot AI-cluster kan beginnen met een nauwelijks merkbare afwijking: één GPU wordt warmer dan de rest, een opslagsysteem verliest onder belasting snelheid en een trainingsopdracht vertraagt. Op 22 oktober 2026 presenteerde NVIDIA Minerva, een AIOps-platform dat telemetrie van de infrastructuur en draaiende AI-workloads samenbrengt in één overzicht.
Volgens de beschrijving van NVIDIA combineert het systeem gegevens van GPU’s, netwerkapparatuur, opslagsystemen, planners en taken. Het praktische doel is beheerders te helpen een verslechterde taakprestatie te koppelen aan een waarschijnlijk probleem met een specifiek onderdeel, in plaats van verspreide monitoringdashboards afzonderlijk te moeten uitpluizen.
Van afzonderlijke meetwaarden naar een netwerkkaart
Minerva bouwt een dynamische kennisgraaf die de fysieke infrastructuur — waaronder GPU’s, SuperNIC’s, switches en kabels — verbindt met de taken die erop draaien. Volgens NVIDIA verwerkt het systeem miljarden datapunten per uur, leert het het normale gedrag van het cluster kennen, detecteert het afwijkingen en koppelt het gerelateerde gebeurtenissen op basis van de topologie.
Voor het dienstdoende team is die koppeling belangrijk bij het diagnosticeren van problemen die zich als een kettingreactie verspreiden: een beheerder kan volgen hoe de verslechtering van één component doorwerkt in een taak die dat deel van het cluster gebruikt. Minerva groepeert gerelateerde signalen ook in één incident met een waarschijnlijke hoofdoorzaak, om de stroom afzonderlijke waarschuwingen te beperken.
Aanbevelingen blijven onderdeel van de workflow
Het platform bevat een assistent voor natuurlijke taal die op basis van actuele telemetrie vragen over de clusterstatus beantwoordt en mogelijke oplossingen voorstelt. Het team kan een oplossing handmatig toepassen of het systeem voor automatisering koppelen aan infrastructuur-API’s en externe agenttools. Een belangrijke praktische vraag bij de invoering is daarom welke acties aanbevelingen blijven en welke de beheerder automatisch laat uitvoeren.
NVIDIA beschrijft de doelstellingen van Minerva aan de hand van nuttige resultaten van een AI-fabriek: GPU-uren, goodput, clusterbeschikbaarheid en tokenproductie. Daardoor verschuift de focus van monitoring van het aantal waarschuwingen naar het verband tussen de staat van de infrastructuur en het daadwerkelijk uitgevoerde rekenwerk.
Aankondiging en invoering
IREN is een van de bedrijven die volgens NVIDIA Minerva al gebruiken om hun AI-fabrieken te optimaliseren. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI en Tesla zijn van plan het platform in te zetten; Dell Technologies, Lenovo en Supermicro willen het aanbieden als onderdeel van hun portfolio’s met oplossingen voor het beheer van AI-fabrieken.
De aankondiging van 22 oktober bevestigt de beschikbaarheid van het platform en de plannen van de genoemde partners. Het gepubliceerde materiaal bevat echter geen vergelijkbare, onafhankelijke metingen van de mate waarin Minerva uitval of de tijd die nodig is om storingen op te sporen vermindert. Voor beheerders is een nuttig startpunt om te controleren of het systeem hun telemetriebronnen dekt, de incidenten ervan te koppelen aan het bestaande dienstroosterproces en afzonderlijk de grenzen van automatische acties vast te stellen. De belangrijkste waarde van deze aanpak is dat infrastructuur- en werksignalen rond één taak worden samengebracht: begrijpen waar bruikbare rekenkracht verloren gaat en waarom.