NVIDIA affirme que Minerva vise les lacunes de télémétrie et de rendement des usines IA et GPU
NVIDIA a déclaré le 26 octobre 2026 que sa plateforme Minerva AIOps est conçue pour transformer la télémétrie fragmentée IA-usine en incidents plus exploitables, dans le but de réduire les temps d’arrêt et de préserver des heures GPU utiles. La société a indiqué que le système est conçu pour des environnements où les tâches d’entraînement synchrones peuvent ralentir au rythme du composant le plus faible et où des défauts subtils peuvent gaspiller des calculs sur des ressources autrement saines.
Preuves et contexte
Dans un blog technique publié le 26 octobre 2026, NVIDIA a décrit IA usines comme des environnements opérationnels à grande échelle combinant GPU, tissus Ethernet Spectrum-X, tissus NVLink à escalade, planificateurs et systèmes de stockage. La société a indiqué que la surveillance conventionnelle basée sur des règles rencontre des défaillances grises, où les composants restent disponibles mais se dégradent sous charge ou par rapport aux systèmes homologues. NVIDIA a indiqué que Minerva comble ce manque en intégrant la télémétrie entre GPU, commutateurs, SuperNIC, DPU, stockage, NCCL, planificateurs et charges de travail, puis en cartographiant ces relations dans un graphe de connaissances dynamique.
Selon NVIDIA, Minerva traite des métriques et des journaux avec des modèles supervisés et non supervisés pour détecter des schémas de défaut connus et des anomalies inédites. La plateforme utilise également une corrélation consciente de la topologie avec des symptômes dépendants du groupe en un seul incident, plutôt que de laisser les opérateurs concilier des alertes séparées. NVIDIA a indiqué que cela vise à réduire le bruit d’alerte et à restreindre l’espace de recherche pour l’analyse des causes profondes, tout en maintenant le placement d’emploi et le contexte du domaine des défaillances à mesure que les charges de travail se déplacent dans l’environnement.
L’entreprise a indiqué que Minerva inclut un assistant IA natif appelé Sherlock, basé sur la télémétrie en temps réel et le graphe de connaissances, ainsi qu’un serveur MCP capable d’exposer le même contexte opérationnel à des outils agents externes. NVIDIA a indiqué que ces fonctionnalités sont destinées à permettre aux opérateurs de poser des questions en langage naturel sur les ralentissements des tâches, les changements d’état des composants et les domaines de défaillance partagés, tout en retraçant les recommandations jusqu’aux preuves sources.
NVIDIA a également décrit plusieurs cas d’usage internes dans le blog. Dans un exemple, Minerva a identifié une seule connexion NVLink issue d’environ 400,000 interfaces qui perdait de la bande passante, permettant aux opérateurs de vider et de reprogrammer les nœuds concernés. Dans un autre, NVIDIA a indiqué qu’une détection rare d’anomalies de logs avait révélé une panne SuperNIC au niveau PCIe avant que les charges de travail ne soient affectées. L’entreprise a également cité une défaillance NVMe liée au stockage qui, selon elle, aurait causé des tâches d’entraînement plus lentes et un tempête de pause et d’images de pause, qu’elle a qualifiée d’effondrement de 81 événements bruyants en un incident. NVIDIA a attribué les gains de temps estimés et les pertes d’exécution évitées à ces scénarios, mais ces chiffres ont été présentés comme des tests et des exemples internes de l’entreprise plutôt que comme des résultats vérifiés indépendamment.
Les documents de base fournis avec la version indiquent que Minerva a été lancé le 22 octobre 2026 en tant que plateforme AIOps native IA pour les opérations IA-usine. La documentation décrit une architecture de microservices distribuée avec ingestion, modélisation d’objets, enrichissement, apprentissage automatique, stockage et couches de présentation, réparties entre une pile collecteur sur site et une pile de plateforme. NVIDIA a également indiqué que Minerva est développée en accord avec DSX OS, avec certains composants de santé et de résilience prévus pour intégration et certaines capacités de collecteur destinées à devenir des parties open source de DSX OS.
Le matériel suggère que l’importance de la plateforme repose moins sur l’entraînement du modèle lui-même que sur le maintien d’une infrastructure suffisamment saine pour la maintenir. NVIDIA présente Minerva comme une couche d’observabilité et de corrélation incidente pour les usines d’IA, où la métrique pratique n’est pas seulement la disponibilité mais aussi la quantité de travail GPU efficace fournie avant que les pannes ne forcent l’intervention. L’entreprise a indiqué que le système vise à améliorer le temps moyen entre les interruptions, à réduire le temps moyen de réparation et à limiter le bruit d’alerte, mais que ces résultats doivent être interprétés comme des affirmations du fournisseur basées sur le propre cadre de tests et de déploiement de NVIDIA.