NVIDIA revela Minerva, plataforma de observabilidade AIOps para fábricas de IA em megaescala

A NVIDIA lançou o Minerva, uma plataforma de AIOps dedicada, projetada para oferecer observabilidade de ponta a ponta para infraestruturas massivas de IA. Voltado para as modernas "fábricas de IA", que abrigam até centenas de milhares de GPUs, o sistema conecta a telemetria do hardware físico diretamente com as cargas de trabalho de IA em execução para identificar gargalos e manter os clusters operando em capacidade máxima.

As execuções de treinamento e cargas de trabalho de inferência de IA modernas dependem de vastos clusters de processadores interconectados. Nesses ambientes, falhas sutis — como uma única GPU operando mais quente que o normal ou um disco NVMe se degradando sob intensas cargas de leitura e escrita — podem reduzir silenciosamente o desempenho de todo um processamento. O Minerva ataca essa vulnerabilidade ao mudar as operações da solução reativa de problemas para a remediação proativa.

Unificando a topologia de cluster com cargas de trabalho de IA

As ferramentas tradicionais de monitoramento de data centers geralmente segmentam as operações em silos distintos, deixando as equipes de aprendizado de máquina, computação, redes e confiabilidade de site com uma visibilidade fragmentada. O Minerva elimina essas barreiras ao coletar sinais em GPUs NVIDIA, SuperNICs, switches, cabos, sistemas de armazenamento, agendadores (schedulers) e cargas de trabalho.

Usando essa telemetria, o Minerva constrói um gráfico de conhecimento dinâmico que mapeia o hardware físico ao lado das tarefas específicas em execução no cluster. A plataforma processa bilhões de pontos de dados a cada hora usando algoritmos de aprendizado de máquina supervisionados e não supervisionados. Ao aprender o comportamento de referência, detectar novas anomalias e correlacionar eventos relacionados com a topologia do cluster, o Minerva consegue comprimir "tempestades de eventos" ruidosas em um único incidente focado, com uma causa raiz identificada.

O Minerva também conta com um assistente de IA nativo integrado, capaz de se conectar a sistemas externos de IA agêntica. Os operadores podem consultar a saúde do cluster e inspecionar a infraestrutura usando linguagem natural, recebendo conselhos contextuais de remediação embasados em telemetria em tempo real. As equipes podem revisar as sugestões manualmente ou conectar o Minerva diretamente à automação da infraestrutura por meio de APIs.

Maximizando o rendimento das fábricas de IA

A plataforma foi projetada com foco em melhorar o "rendimento da fábrica de IA" — uma métrica que engloba o tempo de atividade do cluster, horas de GPU, taxa de transferência efetiva (goodput) e geração de tokens. A NVIDIA destaca três principais vantagens operacionais:

• Intervalos mais longos entre interrupções: A detecção preditiva de falhas resolve problemas antes que os processamentos interrompam.

• Tempo de reparo mais rápido: Causas raiz identificadas reduzem drasticamente o tempo gasto no diagnóstico de falhas de hardware.

• Insights acionáveis: Modelos de aprendizado de máquina filtram fluxos massivos de dados para destacar apenas alertas de alta prioridade.

"À medida que expandimos nossas fábricas de IA, o segredo para oferecer o melhor serviço aos nossos clientes é maximizar a produtividade de nossas GPUs", disse Denis Skrinnikoff, diretor de tecnologia da operadora de data centers IREN. "O NVIDIA Minerva oferece à nossa equipe de operações uma visão única da rede, das GPUs e das tarefas em execução nelas, permitindo que nos concentremos mais na manutenção proativa do que na resolução de problemas."

Ampla adoção pela indústria

Uma grande variedade de operadoras de computação em nuvem e corporativa está se preparando para integrar a plataforma. Além da IREN, empresas como Tesla, IBM, Bitdeer AI, Lambda, Jio, Quake AI e Aolani planejam implantar o Minerva.

As fabricantes de servidores corporativos Dell Technologies, Lenovo e Supermicro também integrarão o Minerva diretamente em seus portfólios de infraestrutura para fábricas de IA.