NVIDIA lance Minerva pour l'observabilité des usines IA
NVIDIA a lancé Minerva, une plateforme d'opérations dédiées à l'intelligence artificielle conçue pour surveiller de bout en bout les infrastructures massives utilisées pour entraîner et servir des modèles d'IA. Ces environnements, souvent appelés usines IA, reposent sur des dizaines, voire des centaines de milliers de GPU interconnectés par des réseaux à haut débit. À une telle échelle, une anomalie locale, comme une carte graphique qui chauffe ou un disque dont les performances se dégradent, peut ralentir des tâches entières et réduire le rendement global du système. Minerva centralise les données provenant des GPU, des réseaux, du stockage, des ordonnanceurs et des charges de travail. La plateforme utilise ensuite des modèles d'IA spécialisés pour transformer ces signaux en diagnostics utiles aux équipes opérationnelles. Elle construit un graphe de connaissances dynamique reliant les composants matériels et logiciels, ce qui permet de remonter la cause d'une tâche lente jusqu'à un réseau, une carte ou un serveur précis. L'outil analyse plusieurs milliards de points de données par heure. Il apprend le comportement normal de l'infrastructure, détecte des anomalies nouvelles, anticipe certaines pannes et corrèle les incidents selon la topologie du système. Cette approche limite les alertes redondantes en regroupant des événements isolés en incidents concentrés, avec une cause probable. Minerva se concentre sur des indicateurs clés des usines IA : disponibilité des clusters, heures GPU productives, bon débit et production de tokens. La plateforme intègre un assistant IA natif et peut être connectée à des outils d'IA agentiques externes. Les opérateurs peuvent interroger la santé des clusters en langage naturel et recevoir des recommandations de correction. Les équipes peuvent conserver une validation humaine ou brancher Minerva à des systèmes d'automatisation via des interfaces de programmation. IREN fait partie des premières organisations à utiliser Minerva. Son directeur technique, Denis Skrinnikoff, explique que l'outil offre une vision unifiée des réseaux, des GPU et des tâches en cours, aidant les équipes à passer d'une maintenance réactive à une supervision proactive. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI et Tesla prévoient également de déployer la solution. Dell Technologies, Lenovo et Supermicro l'intègrent aussi dans leurs offres de gestion d'infrastructures IA.
