Michael JohnsonAwaria dużego klastra AI może zacząć się od niepozornej anomalii: jeden procesor GPU pracuje w wyższej temperaturze niż pozostałe, pamięć masowa zwalnia pod obciążeniem, a trenowanie modelu trwa dłużej. 22 października 2026 roku NVIDIA przedstawiła Minervę — platformę AIOps, która łączy telemetrię infrastruktury i uruchomionych obciążeń AI we wspólnym obrazie.
Opis NVIDIA wyjaśnia, że system koreluje dane z GPU, sprzętu sieciowego, pamięci masowych, harmonogramów i zadań. Jego praktycznym celem jest pomoc operatorom w powiązaniu pogorszenia działania zadania z prawdopodobnym problemem konkretnego komponentu, zamiast analizowania rozproszonych paneli monitorowania.
Od pojedynczych metryk do mapy powiązań
Minerva tworzy dynamiczny graf wiedzy łączący infrastrukturę fizyczną — w tym GPU, SuperNIC, przełączniki i kable — z uruchomionymi zadaniami. Według NVIDIA system przetwarza miliardy punktów danych na godzinę, uczy się typowego zachowania klastra, wykrywa anomalie i koreluje powiązane zdarzenia z uwzględnieniem topologii.
Dla zespołu dyżurnego takie powiązania są ważne podczas diagnozowania problemów kaskadowych: operator może prześledzić, jak pogorszenie działania jednego elementu wpływa na zadanie korzystające z tej części klastra. Minerva grupuje też powiązane sygnały w incydenty z prawdopodobną przyczyną źródłową, ograniczając strumień pojedynczych alertów.
Rekomendacje pozostają częścią procesu
Platforma zawiera asystenta posługującego się językiem naturalnym. Odpowiada on na pytania o stan klastra na podstawie bieżącej telemetrii i proponuje sposoby rozwiązania problemów. Zespół może zastosować poprawkę ręcznie albo połączyć system automatyzacji z interfejsami API infrastruktury i zewnętrznymi narzędziami agentów. Dlatego przy wdrażaniu istotne jest ustalenie, które działania pozostają rekomendacjami, a na które operator zezwala automatyzacji.
NVIDIA opisuje docelowe wskaźniki Minervy w kategoriach użytecznych efektów pracy fabryki AI: czasu pracy GPU, goodputu, dostępności klastra i liczby generowanych tokenów. Przesuwa to punkt ciężkości monitorowania z liczby alertów na związek między stanem infrastruktury a faktycznie wykonaną pracą obliczeniową.
Zapowiedź i wdrożenia
Wśród firm, które według NVIDIA już używają Minervy do optymalizacji fabryk AI, wymieniono IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI i Tesla planują wdrożyć platformę. Dell Technologies, Lenovo i Supermicro zamierzają oferować ją w ramach swoich portfolio rozwiązań do obsługi fabryk AI.
Zapowiedź z 22 października potwierdza dostępność platformy i plany wymienionych partnerów, ale opublikowany materiał nie zawiera porównywalnych, niezależnych pomiarów wskazujących, w jakim stopniu Minerva skraca przestoje lub czas diagnozowania usterek. Operatorzy mogą zacząć od sprawdzenia, czy system obejmuje ich źródła telemetrii, powiązania jego incydentów z używanym już procesem dyżurowym oraz osobnego określenia granic automatycznych działań. Główna wartość tego podejścia polega na połączeniu sygnałów infrastruktury i obciążeń wokół jednego celu: ustalenia, gdzie i dlaczego ginie użyteczna moc obliczeniowa.