NVIDIA présente Minerva pour une observabilité de bout en bout des usines d'IA
NVIDIA a lancé Minerva, une plateforme d'AIOps conçue pour détecter plus tôt les anomalies dans les « usines d'IA » et maintenir leur productivité. Elle rassemble la télémétrie de l'infrastructure et des charges de travail d'IA, puis applique des modèles d'IA spécialisés pour produire des diagnostics exploitables. À partir des GPU, SuperNIC, commutateurs, câbles, systèmes de stockage, ordonnanceurs et tâches en cours, elle construit un graphe de connaissances dynamique qui cartographie l'ensemble. Elle analyse des milliards de points de données par heure grâce à de l'apprentissage supervisé et non supervisé, apprend le comportement normal, repère les anomalies inédites, prédit les pannes naissantes et corrèle les événements selon la topologie. Une tempête d'alertes est regroupée en un incident unique avec une cause racine probable. Un assistant en langage naturel, adossé à la télémétrie en direct, permet d'enquêter sur l'état du cluster et de recevoir des recommandations de correction. Un humain peut appliquer les correctifs, ou Minerva peut être reliée à des automatismes via des API d'infrastructure. IREN, Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI et Tesla prévoient de la déployer, tandis que Dell Technologies, Lenovo et Supermicro la proposeront dans leurs offres d'exploitation d'usines d'IA.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de NVIDIA AI Blog. Lire l'article original →
L'enjeu est d'abord économique. Dans ces installations, qui alignent parfois des centaines de milliers de GPU sur des réseaux à haut débit, un seul composant dégradé peut ralentir un entraînement entier, et les signes avant-coureurs sont subtils : un GPU plus chaud que ses voisins, un disque NVMe qui perd en performance sous charge. NVIDIA met en avant le « rendement » de l'usine d'IA, c'est-à-dire le travail utile produit en heures de GPU, en débit utile, en disponibilité du cluster et en production de tokens. En allongeant le temps entre interruptions, en réduisant le temps de réparation et en filtrant le flot de données pour ne garder que les alertes qui comptent, Minerva vise à faire passer les équipes d'une maintenance réactive à une maintenance proactive. Denis Skrinnikoff, directeur technique d'IREN, y voit une vue unique sur le réseau, les GPU et les tâches, qui permet de privilégier la prévention au dépannage.
Le contexte est celui d'une complexité d'exploitation qui croît avec la taille des infrastructures d'IA. Les outils de supervision traditionnels découpent le centre de données en vues séparées, de sorte que les équipes réseau, calcul, fiabilité et apprentissage automatique ne voient chacune qu'une partie du problème, ce qui retarde l'identification des causes. En proposant une couche d'observabilité de bout en bout, NVIDIA étend son emprise du matériel vers les logiciels d'exploitation, au plus près de ses clients, des fournisseurs de cloud spécialisés aux constructeurs de serveurs. L'arrivée de Dell, Lenovo et Supermicro comme distributeurs pourrait accélérer l'adoption, tandis que l'intégration avec des outils d'agents externes laisse entrevoir une automatisation croissante de la réparation des clusters.
Pas d'impact direct sur la France/UE