NVIDIA Unveils Minerva to Bring End-to-End Observability for AI Factories
Launched today, NVIDIA Minerva is an AIOps platform built to help teams find problems earlier and keep AI factories productive. It brings together telemetry from infrastructure and AI workloads, then applies purpose-built AI models to turn that data into timely, actionable insight. AI factories are
Die heute vorgestellte Plattform NVIDIA Minerva ist eine AIOps-Lösung, die Teams dabei helfen soll, Probleme früher zu erkennen und AI factories produktiv zu halten. Sie vereint Telemetriedaten aus Infrastruktur und AI-Workloads und wendet darauf speziell entwickelte AI-Modelle an, um diese Daten in zeitnahe, umsetzbare Erkenntnisse umzuwandeln.
AI factories zählen zu den komplexesten Betriebsumgebungen der Welt, in denen riesige Mengen von GPUs über Hochgeschwindigkeitsnetze hinweg Modelle trainieren und AI-Anwendungen bereitstellen. Bei diesem Ausmaß kann eine einzige beeinträchtigte Komponente einen gesamten Job verlangsamen. Die Warnsignale sind dabei leicht zu übersehen, etwa eine GPU, die heißer läuft als ihre Pendants, oder ein NVMe-Laufwerk, das unter Last an Leistung verliert.
Die Plattform konzentriert sich auf den Yield von AI factories, ein Maß für die nützliche Arbeit, die die Infrastruktur leistet, gemessen an GPU-Stunden, Goodput, Cluster-Verfügbarkeit und Token-Produktion.
Herkömmliche Monitoring-Tools unterteilen das Rechenzentrum häufig in getrennte Sichten. Netzwerk-, Compute-, Site-Reliability- und Machine-Learning-Teams sehen jeweils nur einen anderen Teil des Betriebs. Minerva verbindet diese Signale über NVIDIA-GPUs, Netzwerk, Storage, Scheduler und Workloads hinweg.
Mit diesen Signalen erstellt Minerva einen dynamischen Knowledge Graph, der die Infrastruktur, also GPUs, SuperNICs, Switches und Kabel, sowie die darauf laufenden Jobs logisch abbildet. Dieser Kontext hilft Betreibern, einen langsamen Trainingsjob bis zu der Komponente zurückzuverfolgen, die ihn beeinträchtigt, selbst in einer Fabrik mit Hunderttausenden von GPUs.
Die Plattform analysiert Milliarden von Datenpunkten pro Stunde mithilfe von überwachtem und unüberwachtem Machine Learning. Sie erlernt normales Verhalten, erkennt bisher unbekannte Anomalien, sagt drohende Ausfälle voraus und korreliert verwandte Ereignisse anhand der Topologie der Fabrik. Statt jedem Betreiber jedes Symptom zu melden, kann sie eine Ereignisflut zu einem fokussierten Incident mit einer wahrscheinlichen Grundursache zusammenfassen.
Minerva wird mit einem nativen AI-Assistenten geliefert und lässt sich mit externen agentic AI-Tools verbinden. Dadurch entsteht eine natürlichsprachliche Schnittstelle, die auf Live-Telemetriedaten basiert. Betreiber können den Cluster-Zustand untersuchen und empfohlene Maßnahmen zur Behebung im Dialog erhalten. Teams können eine Person in den Prozess einbinden, die Korrekturen manuell umsetzt, oder Minerva über Infrastruktur-Programmierschnittstellen und externe Systeme an Automatisierung anbinden.
Die Fähigkeit, Workload- und Infrastrukturprobleme zu korrelieren, zusammen mit den agentic-AI-Funktionen trägt dazu bei, den Betrieb von AI factories zu vereinfachen. Statt sich mit einer Lawine von Warnmeldungen auseinanderzusetzen, bündelt Minerva zusammenhängende Probleme zu einem einzigen umsetzbaren Vorgang. Dadurch können AIOps-Teams von reaktiver zu proaktiver Wartung übergehen. All dies hilft AI factories, die GPU-Verfügbarkeit zu maximieren.
Minerva liefert Mehrwert bei den Kennzahlen, auf die AI factories sich konzentrieren:
IREN zählt zu den NVIDIA-Partnern, die Minerva zur Optimierung ihrer AI factories einsetzen.
„Während wir unsere AI factories skalieren, liegt der Schlüssel zum besten Service für unsere Kunden darin, die Produktivität unserer GPUs zu maximieren“, sagt Denis Skrinnikoff, Chief Technology Officer bei IREN. „NVIDIA Minerva gibt unserem Operationsteam eine gemeinsame Sicht über das Netzwerk, die GPUs und die darauf laufenden Jobs, sodass wir uns mehr auf proaktive Wartung statt auf Fehlerbehebung konzentrieren können. Diese Transparenz stärkt unser Betriebsmodell für die Infrastruktur, die wir als Nächstes aufbauen.“
Neben IREN planen Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI und Tesla, Minerva einzuführen.
Zusätzlich zu Dell Technologies werden Lenovo und Supermicro Minerva als Teil ihrer Portfolios für AI-Factory-Betrieb anbieten.
Siehe Hinweis zu Software-Produktinformationen.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Launched today, NVIDIA Minerva is an AIOps platform built to help teams find problems earlier and keep AI factories productive. It brings together telemetry from infrastructure and AI workloads, then applies purpose-built AI models to turn that data into timely, actionable insight.
AI factories are among the most complex operations in the world, with vast numbers of GPUs working across high-speed networks to train models and serve AI applications. At that scale, a single degraded component can slow an entire job. The warning signs may be easy to miss, such as a GPU running hotter than its peers or an NVMe drive losing performance under load.
The platform focuses on AI factory yield, a measure of the useful work infrastructure produces through GPU hours, goodput, cluster uptime and token production.
Traditional monitoring tools often divide the data center into separate views. Networking, compute, site reliability and machine learning teams each see a different part of the operation. Minerva connects those signals across NVIDIA GPUs, networking, storage, schedulers and workloads.
With these signals, Minerva builds a dynamic knowledge graph that logically maps the infrastructure — GPUs, SuperNICs, switches and cables — and the jobs running on it. This context helps operators trace a slow training job to the component affecting it, even across a factory with hundreds of thousands of GPUs.
It analyzes billions of data points per hour using supervised and unsupervised machine learning. It learns normal behavior, detects previously unseen anomalies, predicts emerging failures and correlates related events based on the factory’s topology. Instead of sending every symptom to an operator, it can group an event storm into a focused incident with a likely root cause.
Minerva comes with a native AI assistant and connects to external agentic AI tools. This adds a natural-language interface grounded in live telemetry. Operators can investigate cluster health and receive recommended remediation through conversation. Teams can keep a person in the loop to manually implement fixes or connect Minerva to automation through infrastructure application programming interfaces and external systems.
The ability to correlate workload and infrastructure issues along with its agentic AI capabilities help simplify AI factory operations. Instead of dealing with a blizzard of alerts, Minerva aggregates related problems into a single actionable item. This allows AIOps teams to move from reactive to proactive maintenance. And all of this helps AI factories maximize GPU uptime.
Minerva delivers value for the key metrics AI factories focus on:
IREN is among the NVIDIA partners using Minerva to optimize its AI factories.
“As we scale our AI factories, the key to providing the best service for our customers is maximizing the productivity of our GPUs,” said Denis Skrinnikoff, chief technology officer of IREN. “NVIDIA Minerva gives our operations team one view across the network, the GPUs and the jobs running on them, so we focus more on proactive maintenance rather than troubleshooting. That visibility strengthens our operating model for the infrastructure we’re building next.”
Joining IREN, Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI and Tesla plan to deploy Minerva.
In addition to Dell Technologies, Lenovo and Supermicro will offer Minerva as part of their AI factory operations portfolios.
See notice regarding software product information.