Michael JohnsonEn feil i en stor AI-klynge kan begynne med et knapt merkbart avvik: Én GPU blir varmere enn de andre, en lagringsenhet mister hastighet under belastning, og treningen går saktere. 22. oktober 2026 presenterte NVIDIA Minerva, en AIOps-plattform som samler telemetri fra infrastrukturen og AI-arbeidsbelastningene i et felles bilde.
Ifølge NVIDIAs beskrivelse sammenstiller systemet data fra GPU-er, nettverksutstyr, lagring, planleggere og jobber. Det praktiske målet er å hjelpe operatører med å knytte redusert ytelse i en jobb til et sannsynlig problem med en bestemt komponent, i stedet for å måtte undersøke separate overvåkingsdashbord.
Fra enkeltmålinger til et kart over sammenhenger
Minerva bygger en dynamisk kunnskapsgraf som knytter den fysiske infrastrukturen – blant annet GPU-er, SuperNIC-er, svitsjer og kabler – til jobbene som kjøres. Ifølge NVIDIA behandler systemet milliarder av datapunkter i timen, lærer seg klyngens normale atferd, oppdager avvik og sammenstiller relaterte hendelser med utgangspunkt i topologien.
For vaktteamet er slike sammenhenger viktige når de skal diagnostisere kjedereaksjoner: Operatøren kan følge hvordan svekket ytelse i én komponent påvirker en jobb som bruker denne delen av klyngen. Minerva grupperer også relaterte signaler i én hendelse med en sannsynlig grunnårsak, slik at strømmen av enkeltvarsler blir mindre.
Anbefalinger inngår fortsatt i arbeidsflyten
Plattformen har en innebygd assistent for naturlig språk som svarer på spørsmål om klyngens tilstand basert på aktuell telemetri, og foreslår tiltak. Teamet kan gjennomføre en rettelse manuelt eller koble automatiseringssystemer til infrastruktur-API-er og eksterne agentverktøy. Et viktig praktisk spørsmål ved innføringen er derfor hvilke tiltak som bare skal være anbefalinger, og hvilke operatøren tillater at utføres automatisk.
NVIDIA beskriver Minervas mål med utgangspunkt i nyttige resultater fra AI-fabrikken: GPU-driftstimer, goodput, klyngetilgjengelighet og tokenproduksjon. Dermed flyttes overvåkingens fokus fra antall varsler til sammenhengen mellom infrastrukturens tilstand og det beregningsarbeidet som faktisk er utført.
Kunngjøring og innføring
Blant selskapene NVIDIA oppgir allerede bruker Minerva til å optimalisere AI-fabrikker, er IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI og Tesla planlegger å ta i bruk plattformen. Dell Technologies, Lenovo og Supermicro har planer om å tilby den som del av sine løsninger for drift av AI-fabrikker.
Kunngjøringen 22. oktober beskriver plattformens tilgjengelighet og de navngitte partnernes planer, men det publiserte materialet inneholder ingen sammenlignbare, uavhengige målinger av hvor mye Minerva reduserer nedetid eller feilsøkingstid. Et nyttig utgangspunkt for operatører er å undersøke om systemet dekker deres telemetrikilder, knytte hendelsene det registrerer til den eksisterende vaktprosessen og definere grensene for automatiske tiltak separat. Den viktigste verdien i tilnærmingen er å samle infrastruktur- og arbeidsbelastningssignaler rundt ett spørsmål: Hvor går den nyttige beregningskapasiteten tapt, og hvorfor?