Michael JohnsonQuando o treinamento de um modelo fica mais lento, a causa pode estar além da GPU: na rede, no armazenamento, no escalonador de tarefas ou em outro componente do qual a tarefa computacional depende. Em 22 de outubro de 2026, a NVIDIA apresentou a Minerva, uma plataforma de AIOps que relaciona a telemetria da infraestrutura aos dados das cargas de trabalho de IA em execução. A empresa a posiciona como uma ferramenta para aumentar a disponibilidade e a produtividade de suas fábricas de IA.
A Minerva coleta sinais de GPUs, equipamentos de rede, armazenamento, escalonadores e cargas de trabalho. Em seguida, a plataforma constrói um grafo dinâmico das relações entre componentes e tarefas. Segundo a NVIDIA, esse contexto ajuda a rastrear como uma anomalia de hardware afeta uma tarefa de treinamento específica e a agrupar eventos relacionados em um único incidente com uma provável causa raiz. A plataforma analisa bilhões de pontos de telemetria por hora — uma característica do sistema declarada pela NVIDIA.
O que muda na investigação de incidentes
Um problema comum no monitoramento de grandes clusters é a existência de visões separadas para computação, rede e operações. A Minerva tenta conectar essas camadas: uma anomalia na interface de rede pode ser analisada em conjunto com o estado da GPU e o desempenho da tarefa que usa essa rota. O objetivo prático é encurtar o caminho entre um conjunto de sinais e a localização do gargalo.
A plataforma inclui um assistente de IA para perguntas em linguagem natural e conexão com ferramentas agentivas externas. O operador pode investigar o estado do cluster usando telemetria em tempo real e receber recomendações para resolver problemas. A NVIDIA descreve uma opção em que um funcionário aplica a correção manualmente, além da possibilidade de conectar automações por meio da API da infraestrutura e de sistemas externos.
Para as operações, isso separa o diagnóstico da ação. Correlacionar sinais pode ajudar a identificar mais rapidamente onde procurar a causa, enquanto uma alteração automática na infraestrutura continua sendo uma decisão à parte da equipe. Na implantação, é útil definir com antecedência quais recomendações podem ser executadas automaticamente, quais exigem aprovação e onde os resultados são registrados. Essa é uma conclusão prática da distinção descrita pela NVIDIA entre recomendações, correção manual e automação conectada.
Quem pode usar a plataforma
A NVIDIA informou que a IREN já usa a Minerva; outras oito organizações, incluindo IBM, Lambda e Tesla, planejam implantá-la. Segundo a empresa, Dell Technologies, Lenovo e Supermicro oferecerão a Minerva em seus portfólios de soluções para fábricas de IA. O anúncio lista implantações atuais e planejadas, mas não apresenta medições comparativas independentes dos resultados para os operadores.
A página do produto da NVIDIA lista opções de implantação — desde a coleta de telemetria com envio de dados para ferramentas externas, como o Grafana, até uma plataforma AIOps completa. A documentação também descreve a coleta de sinais de diferentes componentes e as integrações com ferramentas operacionais. Antes de avaliar o produto, a equipe deve comparar a lista de fontes compatíveis com sua própria infraestrutura, verificar a cobertura da telemetria e registrar indicadores de referência: disponibilidade do cluster, horas de GPU perdidas, tempo de diagnóstico e recuperação.
A Minerva é voltada a organizações que precisam investigar incidentes na interseção entre computação, rede e tarefas de IA. Sua utilidade prática é reunir esses sinais em um contexto comum; o valor para cada cluster pode ser avaliado pela capacidade do sistema de identificar as causas de falhas reais e reduzir o tempo de recuperação.