Michael JohnsonNår modelltrening går saktere, kan årsaken ligge et annet sted enn i GPU-en: i nettverket, lagringen, jobbplanleggeren eller en annen komponent som beregningsoppgaven er avhengig av. 22. oktober 2026 presenterte NVIDIA Minerva, en AIOps-plattform som kobler infrastrukturtelemetri til data om KI-arbeidsbelastninger som kjører. Selskapet posisjonerer den som et verktøy for å øke tilgjengeligheten og produktiviteten i KI-fabrikkene sine.
Minerva samler signaler fra GPU-er, nettverksutstyr, lagring, planleggere og arbeidsbelastninger. Deretter bygger plattformen en dynamisk graf over forbindelsene mellom komponenter og jobber. Ifølge NVIDIA gjør denne konteksten det mulig å spore hvordan et maskinvareavvik påvirker en bestemt treningsoppgave, og å samle relaterte hendelser i én hendelse med en sannsynlig rotårsak. Plattformen analyserer milliarder av telemetripunkter i timen – en systemegenskap NVIDIA selv oppgir.
Hva endres i håndteringen av hendelser
Et vanlig problem med overvåking av store klynger er at beregning, nettverk og drift vises hver for seg. Minerva forsøker å knytte disse lagene sammen: Et avvik i nettverksgrensesnittet kan vurderes sammen med GPU-tilstanden og ytelsen til jobben som bruker denne ruten. Det praktiske målet er å forkorte veien fra en samling signaler til lokalisering av flaskehalsen.
Plattformen har en innebygd KI-assistent som kan svare på spørsmål i naturlig språk, og kan kobles til eksterne agentverktøy. Operatøren kan undersøke klyngens tilstand med sanntidstelemetri og få anbefalinger for å løse problemer. NVIDIA beskriver både en løsning der en medarbeider gjennomfører rettingen manuelt, og en mulighet for å koble til automatisering via infrastrukturenes API-er og eksterne systemer.
I driften innebærer dette et skille mellom diagnostikk og handling. Sammenstilling av signaler kan gjøre det enklere å finne ut hvor årsaken ligger, mens automatiske endringer i infrastrukturen fortsatt er en separat beslutning for teamet. Ved innføring er det nyttig å definere på forhånd hvilke anbefalinger som kan utføres automatisk, hvilke som krever godkjenning, og hvor resultatene loggføres. Dette er en praktisk slutning basert på skillet NVIDIA beskriver mellom anbefalinger, manuell retting og tilkoblet automatisering.
Hvem har tilgang til plattformen
NVIDIA opplyser at IREN allerede bruker Minerva, og at åtte andre organisasjoner, deriblant IBM, Lambda og Tesla, planlegger utrulling. Ifølge selskapet vil Dell Technologies, Lenovo og Supermicro tilby Minerva som del av sine løsninger for KI-fabrikker. Kunngjøringen viser til pågående og planlagte utrullinger, men inneholder ingen uavhengige sammenlignende målinger av effekten for operatørene.
NVIDIAs produktside beskriver ulike utrullingsalternativer – fra innsamling av telemetri med videresending av data til eksterne verktøy som Grafana, til en komplett AIOps-plattform. Dokumentasjonen beskriver også innsamling av signaler fra ulike komponenter og integrasjoner med driftsverktøy. Før produktet vurderes, bør teamet sammenligne listen over støttede kilder med sin egen infrastruktur, kontrollere telemetridekningen og fastsette utgangsverdier for klyngetilgjengelighet, tapte GPU-timer samt tiden det tar å diagnostisere og gjenopprette.
Minerva er rettet mot organisasjoner som må håndtere hendelser i skjæringspunktet mellom beregning, nettverk og KI-oppgaver. Den praktiske hensikten er å samle disse signalene i en felles kontekst; verdien for en bestemt klynge kan vurderes ut fra hvor godt systemet finner årsakene til faktiske feil og reduserer gjenopprettingstiden.