Michael JohnsonGdy trenowanie modelu zwalnia, przyczyna może leżeć poza GPU: w sieci, pamięci masowej, harmonogramie zadań lub innym komponencie, od którego zależy obliczenie. 22 października 2026 roku NVIDIA zaprezentowała Minervę — platformę AIOps, która łączy telemetrię infrastruktury z danymi o wykonywanych obciążeniach AI. Firma przedstawia ją jako narzędzie zwiększające dostępność i produktywność swoich fabryk AI.
Minerva zbiera sygnały z GPU, urządzeń sieciowych, pamięci masowych, harmonogramów i obciążeń. Następnie platforma tworzy dynamiczny graf powiązań między komponentami i zadaniami. Według opisu NVIDIA taki kontekst pomaga prześledzić, jak anomalia sprzętowa wpływa na konkretne zadanie trenowania, oraz grupować powiązane zdarzenia w jeden incydent z prawdopodobną przyczyną źródłową. Platforma analizuje miliardy punktów telemetrycznych na godzinę — to deklarowana przez NVIDIA charakterystyka systemu.
Co zmienia się w analizie incydentów
Częstym problemem w monitorowaniu dużych klastrów są oddzielne widoki obliczeń, sieci i eksploatacji. Minerva próbuje połączyć te warstwy: odchylenie interfejsu sieciowego można rozpatrywać razem ze stanem GPU i wydajnością zadania korzystającego z tej trasy. Praktycznym celem jest skrócenie drogi od zestawu sygnałów do lokalizacji wąskiego gardła.
Platforma ma wbudowanego asystenta AI obsługującego pytania w języku naturalnym oraz możliwość łączenia z zewnętrznymi narzędziami agentowymi. Operator może badać stan klastra na podstawie bieżącej telemetrii i otrzymywać zalecenia dotyczące rozwiązywania problemów. NVIDIA opisuje scenariusz, w którym pracownik ręcznie stosuje poprawkę, a także możliwość podłączenia automatyzacji za pośrednictwem API infrastruktury i systemów zewnętrznych.
W eksploatacji oznacza to rozdzielenie diagnozy od działania. Zestawianie sygnałów może pomóc szybciej ustalić, gdzie szukać przyczyny, natomiast automatyczna zmiana infrastruktury pozostaje odrębną decyzją zespołu. Przy wdrożeniu warto z góry określić, które zalecenia można wykonywać automatycznie, które wymagają potwierdzenia i gdzie rejestrowane są wyniki. To praktyczny wniosek z opisanego przez NVIDIA rozdzielenia zaleceń, ręcznych poprawek i podłączonej automatyzacji.
Dostępność platformy
NVIDIA poinformowała, że IREN już korzysta z Minervy; osiem kolejnych organizacji, w tym IBM, Lambda i Tesla, planuje wdrożenie. Dell Technologies, Lenovo i Supermicro — według informacji firmy — zaoferują Minervę w ramach swoich portfolio rozwiązań dla fabryk AI. Zapowiedź wymienia obecne i planowane wdrożenia, ale nie zawiera niezależnych pomiarów porównawczych efektów dla operatorów.
Na stronie produktu NVIDIA wymieniono warianty wdrożenia — od zbierania telemetrii i przekazywania danych do zewnętrznych narzędzi, takich jak Grafana, po pełną platformę AIOps. Dokumentacja opisuje również zbieranie sygnałów z różnych komponentów i integracje z narzędziami eksploatacyjnymi. Przed oceną produktu zespół powinien porównać listę obsługiwanych źródeł z własną infrastrukturą, sprawdzić zakres telemetrii i ustalić wartości bazowe: dostępność klastra, utracone godziny pracy GPU oraz czas diagnozy i przywracania działania.
Minerva jest przeznaczona dla organizacji, które muszą analizować incydenty na styku obliczeń, sieci i zadań AI. Jej praktyczne zastosowanie polega na zebraniu tych sygnałów we wspólnym kontekście; wartość dla konkretnego klastra można ocenić na podstawie tego, jak dobrze system identyfikuje przyczyny rzeczywistych awarii i skraca czas przywracania działania.