Michael JohnsonNär träningen av en modell går långsammare kan orsaken finnas någon annanstans än i GPU:n: i nätverket, lagringsenheten, jobbschemaläggaren eller någon annan komponent som beräkningsjobbet är beroende av. Den 22 oktober 2026 presenterade NVIDIA Minerva, en AIOps-plattform som kopplar samman infrastrukturtelemetri med data om pågående AI-arbetsbelastningar. Företaget beskriver den som ett verktyg för att förbättra tillgängligheten och produktiviteten i sina AI-fabriker.
Minerva samlar in signaler från GPU:er, nätverksutrustning, lagring, schemaläggare och arbetsbelastningar. Därefter skapar plattformen en dynamisk graf över sambanden mellan komponenter och jobb. Enligt NVIDIAs beskrivning gör den här kontexten det lättare att följa hur en maskinvaruavvikelse påverkar ett specifikt träningsjobb och att samla relaterade händelser i en incident med en sannolik grundorsak. Plattformen analyserar miljarder telemetripunkter i timmen – en egenskap som NVIDIA uppger att systemet har.
Vad förändras i incidenthanteringen
Ett vanligt problem med övervakning av stora kluster är att beräkning, nätverk och drift visas separat. Minerva försöker koppla samman dessa lager: en avvikelse i nätverksgränssnittet kan granskas tillsammans med GPU:ns status och prestandan hos det jobb som använder den nätverksvägen. Det praktiska målet är att snabbare gå från en samling signaler till att lokalisera flaskhalsen.
Plattformen har en inbyggd AI-assistent som kan ta emot frågor på naturligt språk och kan anslutas till externa agentverktyg. Operatören kan undersöka klustrets tillstånd med hjälp av aktuell telemetri och få rekommendationer för att åtgärda problem. NVIDIA beskriver både ett upplägg där en medarbetare tillämpar en korrigering manuellt och möjligheten att koppla in automatisering via infrastrukturens API och externa system.
För driften innebär det att diagnos och åtgärd hålls åtskilda. Genom att jämföra signaler kan det bli lättare att snabbt avgöra var orsaken finns, medan automatiska ändringar i infrastrukturen förblir ett separat beslut för teamet. Inför ett införande är det klokt att i förväg bestämma vilka rekommendationer som får tillämpas automatiskt, vilka som kräver godkännande och var resultaten ska dokumenteras. Det är en praktisk slutsats av NVIDIAs beskrivna uppdelning mellan rekommendationer, manuella korrigeringar och ansluten automatisering.
Vem kan använda plattformen
NVIDIA uppger att IREN redan använder Minerva och att ytterligare åtta organisationer, däribland IBM, Lambda och Tesla, planerar att införa den. Enligt företaget kommer Dell Technologies, Lenovo och Supermicro att erbjuda Minerva som en del av sina portföljer med lösningar för AI-fabriker. Tillkännagivandet listar befintliga och planerade införanden, men innehåller inga oberoende jämförelser av effekten för operatörer.
NVIDIAs produktsida listar olika driftsätt, från insamling av telemetri som skickas vidare till externa verktyg, exempelvis Grafana, till en komplett AIOps-plattform. Dokumentationen beskriver också insamling av signaler från olika komponenter och integrationer med driftverktyg. Innan produkten utvärderas bör teamet jämföra listan över stödda datakällor med den egna infrastrukturen, kontrollera telemetritäckningen och fastställa utgångsvärden för klustrets tillgänglighet, förlorade GPU-timmar samt tiden för diagnos och återställning.
Minerva riktar sig till organisationer som behöver hantera incidenter i skärningspunkten mellan beräkning, nätverk och AI-jobb. Plattformens praktiska syfte är att samla dessa signaler i en gemensam kontext. Värdet för ett enskilt kluster kan bedömas utifrån hur väl systemet hittar orsakerna till verkliga fel och minskar återställningstiden.