NVIDIA lança Minerva para observabilidade ponta a ponta em fábricas de IA

Foto: Elias Gamez (Pexels)

A NVIDIA apresentou nesta quinta-feira (22) a Minerva, plataforma de AIOps — inteligência artificial para operações de TI — voltada a fábricas de inteligência artificial (IA). O objetivo declarado é antecipar falhas e manter a produtividade desses ambientes de escala extrema.

A ferramenta une telemetria da infraestrutura e das cargas de trabalho de IA e aplica modelos feitos sob medida para transformar esse volume de dados em insights acionáveis no tempo certo.

O que aconteceu

Segundo o blog da empresa, as fábricas de IA estão entre as operações mais complexas do mundo: vastas quantidades de GPUs (unidades de processamento gráfico) treinam modelos e atendem aplicações por redes de alta velocidade. Nessa escala, um único componente degradado pode atrasar um job inteiro. Sinais de alerta — uma GPU mais quente que as vizinhas ou um disco NVMe perdendo desempenho sob carga — costumam passar despercebidos.

A Minerva concentra-se no yield da fábrica de IA, medida do trabalho útil da infraestrutura em horas de GPU, goodput, tempo de atividade do cluster e produção de tokens. Ferramentas tradicionais fragmentam o data center: redes, computação, confiabilidade do site e machine learning veem fatias distintas. A nova plataforma conecta sinais de GPUs NVIDIA, redes, armazenamento, agendadores e workloads.

Com esses dados, monta um grafo de conhecimento dinâmico que mapeia GPUs, SuperNICs, switches, cabos e os jobs em execução. Esse contexto ajuda a rastrear um treinamento lento até o componente que o afeta, mesmo em fábricas com centenas de milhares de GPUs. O sistema analisa bilhões de pontos de dados por hora com aprendizado de máquina supervisionado e não supervisionado: aprende o comportamento normal, detecta anomalias inéditas, prevê falhas emergentes e correlaciona eventos pela topologia. Em vez de empurrar cada sintoma, pode agrupar uma tempestade de alertas em um incidente focado, com causa-raiz provável.

A plataforma traz um assistente de IA nativo e se conecta a ferramentas externas de IA agentica, com interface em linguagem natural ancorada na telemetria ao vivo. Operadores investigam a saúde do cluster e recebem recomendações de remediação por conversa. As equipes podem manter uma pessoa no circuito ou ligar a Minerva a automações via interfaces de programação de aplicações (APIs) de infraestrutura.

Entre os ganhos destacados estão intervalo maior entre interrupções, reparo mais rápido e filtragem do dilúvio de alertas — o que, na narrativa da NVIDIA, ajuda a maximizar o uptime das GPUs e a migrar a manutenção de reativa para proativa.

A IREN está entre os parceiros que já usam a solução. Denis Skrinnikoff, diretor de tecnologia da companhia, disse que a visão única sobre rede, GPUs e jobs permite foco em manutenção preventiva. Também planejam implantar Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI e Tesla. Além da Dell Technologies, Lenovo e Supermicro oferecerão a Minerva em seus portfólios de operações de fábricas de IA.

O que isso pode mudar

Se a correlação entre infraestrutura e workload funcionar como descrito, operadores poderiam reduzir o tempo perdido em caça a falhas espalhadas entre times e ferramentas. Isso tenderia a elevar o yield — mais horas úteis de GPU e menos jobs interrompidos — num momento em que cada minuto de cluster parado pesa no custo e na entrega de modelos.

A aposta em assistentes e agentes ligados à telemetria também pode alterar o fluxo das equipes de AIOps: de filas de alertas para investigação conversacional e, quando desejado, remediação automatizada. O impacto real, porém, dependerá da adoção e da qualidade das recomendações em ambientes heterogêneos. O interesse de parceiros como IREN, IBM e Tesla, e a oferta via Dell, Lenovo e Supermicro, pode acelerar a chegada da plataforma a mais data centers — se o mercado confirmar que observabilidade unificada de fato aumenta uptime e produtividade.

Fontes: NVIDIA Blog

Leia mais em: mundodosnegocio.com.br