NVIDIA Minerva : lancement de la plateforme de supervision des usines IA

NVIDIA a officiellement lancé Minerva, une plateforme AIOps spécialisée conçue pour maintenir la productivité au sein de grandes usines IA. Le système agrège les données de télémétrie provenant à la fois de l'infrastructure sous-jacente et des charges de travail IA actives, en appliquant des modèles d'intelligence artificielle sur mesure pour transformer les données brutes en informations exploitables. Les usines IA représentent certains des environnements opérationnels les plus complexes au monde, où d'immenses ensembles de GPU fonctionnent sur des réseaux à haute vitesse pour entraîner des modèles et servir des applications. Dans de tels contextes, un seul composant dégradé peut considérablement ralentir des tâches entières, rendant la détection précoce des problèmes essentielle pour préserver l'efficacité et la production.

Les outils de surveillance traditionnels fragmentent souvent la visibilité des centres de données, en offrant des vues distinctes pour les équipes réseau, calcul, fiabilité des sites et apprentissage automatique. Minerva résout cette fragmentation en reliant les signaux entre les GPU NVIDIA, le matériel réseau, les systèmes de stockage, les planificateurs et les charges de travail. La plateforme construit un graphe de connaissances dynamique qui cartographie logiquement l'infrastructure physique, y compris les GPU, les SuperNIC, les commutateurs et les câbles, ainsi que les tâches qui s'exécutent dessus. Cette cartographie contextuelle permet aux opérateurs de retracer les goulets d'étranglement de performance jusqu'à des composants spécifiques, même dans des installations contenant des centaines de milliers de GPU, garantissant ainsi une identification précise et rapide des causes racines du ralentissement des tâches d'entraînement.

La plateforme traite des milliards de points de données par heure en utilisant des algorithmes d'apprentissage automatique supervisé et non supervisé. Elle apprend le comportement opérationnel normal, détecte des anomalies inédites, prédit les pannes émergentes et corrèle les événements liés sur la base de la topologie spécifique de l'usine. Plutôt que de submerger les opérateurs de chaque symptôme individuel, Minerva regroupe les tempêtes d'événements en incidents ciblés avec des causes probables. Le système inclut un assistant IA natif et se connecte à des outils d'IA agentique externes, offrant une interface en langage naturel fondée sur la télémétrie en direct. Les opérateurs peuvent examiner la santé du cluster et recevoir des étapes de correction recommandées par conversation, tout en conservant la possibilité d'appliquer manuellement les correctifs ou de se connecter à l'automatisation via les API d'infrastructure.

Minerva est conçue pour simplifier les opérations en agrégeant les problèmes liés en éléments actionnables uniques, permettant aux équipes AIOps de passer du dépannage réactif à la maintenance proactive. Cette approche aide à maximiser le temps de fonctionnement des GPU et améliore les indicateurs clés tels que le rendement, le débit utile, la disponibilité du cluster et la production de jetons. Plusieurs grands partenaires, dont IREN, Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI et Tesla, prévoient de déployer la plateforme. De plus, les fabricants de matériel Dell Technologies, Lenovo et Supermicro proposeront Minerva dans le cadre de leurs portefeuilles d'opérations pour usines IA, en l'intégrant à des solutions d'infrastructure plus larges.