Michael JohnsonUma falha num grande cluster de IA pode começar com um desvio quase impercetível: uma GPU funciona a uma temperatura mais alta do que as restantes, um dispositivo de armazenamento perde velocidade sob carga e o treino abranda. Em 22 de outubro de 2026, a NVIDIA apresentou a Minerva, uma plataforma AIOps que reúne a telemetria da infraestrutura e das cargas de trabalho de IA em execução numa visão integrada.
De acordo com a descrição da NVIDIA, o sistema correlaciona dados de GPUs, equipamentos de rede, armazenamento, escalonadores e tarefas. O objetivo prático é ajudar os operadores a associar a degradação do desempenho de uma tarefa a um provável problema num componente específico, em vez de terem de analisar painéis de monitorização desconexos.
De métricas isoladas a um mapa de relações
A Minerva cria um grafo de conhecimento dinâmico que liga a infraestrutura física — incluindo GPUs, SuperNICs, comutadores e cabos — às tarefas em execução. Segundo a NVIDIA, o sistema processa milhares de milhões de pontos de dados por hora, aprende o comportamento normal do cluster, deteta anomalias e correlaciona eventos relacionados com base na topologia.
Para a equipa de serviço, esta ligação é importante no diagnóstico de problemas em cascata: o operador pode acompanhar como a degradação de um elemento afeta uma tarefa que utiliza essa parte do cluster. A Minerva também agrupa sinais relacionados num incidente com uma provável causa raiz, reduzindo o fluxo de alertas isolados.
As recomendações continuam a fazer parte do fluxo de trabalho
A plataforma inclui um assistente em linguagem natural que responde a perguntas sobre o estado do cluster com base na telemetria atual e sugere formas de resolver problemas. A equipa pode aplicar uma correção manualmente ou ligar a automatização do sistema a APIs da infraestrutura e a ferramentas externas de agentes. Por isso, uma questão prática importante para a implementação é determinar quais ações permanecem como recomendações e quais o operador autoriza a executar automaticamente.
A NVIDIA descreve os indicadores-alvo da Minerva em termos dos resultados úteis da operação de uma fábrica de IA: horas de funcionamento das GPUs, goodput, disponibilidade do cluster e produção de tokens. Isto desloca o foco da monitorização do número de alertas para a relação entre o estado da infraestrutura e o trabalho computacional efetivamente realizado.
Anúncio e implementação
Entre as empresas que, segundo a NVIDIA, já utilizam a Minerva para otimizar fábricas de IA está a IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI e Tesla planeiam implementar a plataforma; a Dell Technologies, a Lenovo e a Supermicro tencionam oferecê-la no âmbito dos respetivos portefólios de soluções para a operação de fábricas de IA.
O anúncio de 22 de outubro assinala a disponibilidade da plataforma e os planos dos parceiros mencionados, mas o material publicado não apresenta medições independentes comparáveis sobre a redução do tempo de inatividade ou do tempo necessário para identificar uma falha com a Minerva. Para os operadores, um ponto de partida útil é verificar se o sistema abrange as respetivas fontes de telemetria, integrar os seus incidentes no processo de serviço já utilizado e definir separadamente os limites das ações automáticas. O principal valor desta abordagem é reunir sinais da infraestrutura e das cargas de trabalho em torno de uma única questão: onde se perde capacidade computacional útil e porquê.