NVIDIA presenta Minerva, una plataforma de observabilidad AIOps para fábricas de IA a megaescala

NVIDIA ha lanzado Minerva, una plataforma especializada de AIOps diseñada para proporcionar observabilidad de extremo a extremo en infraestructuras masivas de inteligencia artificial. Dirigido a las "fábricas de IA" modernas que albergan hasta cientos de miles de GPU, el sistema vincula la telemetría del hardware físico directamente con las cargas de trabajo de IA en ejecución para identificar cuellos de botella y mantener los clústeres operando a su máxima capacidad.

Los entrenamientos modernos y las cargas de trabajo de inferencia de IA dependen de enormes clústeres de procesadores interconectados. En estos entornos, anomalías sutiles —como una sola GPU que opera a mayor temperatura de lo normal o una unidad NVMe que se degrada bajo intensas cargas de lectura y escritura— pueden mermar silenciosamente el rendimiento de una tarea completa. Minerva aborda esta vulnerabilidad al transformar las operaciones, pasando de una resolución de problemas reactiva a una remediación proactiva.

Unificación de la topología del clúster con las cargas de trabajo de IA

Las herramientas tradicionales de monitoreo de centros de datos suelen segmentar las operaciones en silos aislados, dejando a los equipos de aprendizaje automático, cómputo, redes y confiabilidad del sitio (SRE) con una visibilidad fragmentada. Minerva derriba estas barreras al recopilar señales provenientes de GPU NVIDIA, SuperNICs, switches, cables, sistemas de almacenamiento, programadores de tareas (schedulers) y cargas de trabajo.

A partir de esta telemetría, Minerva construye un grafo de conocimiento dinámico que mapea el hardware físico junto con las tareas específicas que se ejecutan en el clúster. La plataforma procesa miles de millones de puntos de datos cada hora mediante algoritmos de aprendizaje automático supervisados y no supervisados. Al aprender el comportamiento de referencia, detectar anomalías inéditas y correlacionar eventos vinculados dentro de la topología del clúster, Minerva logra comprimir ruidosas "tormentas de eventos" en un único incidente focalizado con su causa raíz identificada.

Minerva también integra un asistente nativo de IA capaz de conectarse con sistemas externos de IA agéntica. Los operadores pueden consultar el estado del clúster e inspeccionar la infraestructura mediante lenguaje natural, recibiendo recomendaciones contextuales de remediación respaldadas por telemetría en tiempo real. Los equipos tienen la opción de revisar las sugerencias manualmente o conectar Minerva directamente a la automatización de la infraestructura a través de API.

Maximización del rendimiento en las fábricas de IA

La plataforma está concebida para optimizar el rendimiento de las fábricas de IA (AI factory yield), una métrica integral que abarca el tiempo de actividad del clúster, las horas de GPU, el rendimiento efectivo (goodput) y la generación de tokens. NVIDIA destaca tres ventajas operativas clave:

• Intervalos más prolongados entre interrupciones: La detección predictiva de fallos resuelve los problemas antes de que las tareas se detengan.

• Menor tiempo de reparación: La identificación precisa de la causa raíz reduce drásticamente el tiempo dedicado a diagnosticar fallas de hardware.

• Información procesable: Los modelos de aprendizaje automático filtran flujos masivos de datos para mostrar únicamente las alertas de alta prioridad.

"A medida que escalamos nuestras fábricas de IA, la clave para brindar el mejor servicio a nuestros clientes es maximizar la productividad de nuestras GPU", afirmó Denis Skrinnikoff, director de tecnología del operador de centros de datos IREN. "NVIDIA Minerva le brinda a nuestro equipo de operaciones una visión unificada de la red, las GPU y las tareas que se ejecutan en ellas, lo que nos permite enfocarnos más en el mantenimiento proactivo que en la resolución de problemas".

Amplia adopción en la industria

Una amplia gama de operadores empresariales y de computación en la nube se prepara para integrar la plataforma. Además de IREN, empresas como Tesla, IBM, Bitdeer AI, Lambda, Jio, Quake AI y Aolani planean desplegar Minerva.

Los fabricantes de servidores empresariales Dell Technologies, Lenovo y Supermicro también integrarán Minerva directamente en sus portafolios de infraestructura para fábricas de IA.