NVIDIA Minerva samler 81 alarmer til én hændelse

NVIDIA har lanceret Minerva, en AI-platform der automatisk grupperer hundredvis af alarmer i én hændelse og opdager svage fejl i store GPU-klynger ved at sammenligne komponenter under samme belastning. Det betyder noget, fordi én dårlig komponent kan bremse mange raske maskiner og spilde tusindvis af GPU-timer. Nu kan driftspersonale spørge platformen på almindeligt sprog via en agent kaldet Sherlock og koble dataene ind i eksterne arbejdsgange.

Forestil dig en fabrik, hvor én enkelt defekt samtidig sætter 81 alarmer i gang — som en røgalarmer, sprinklere og brandvagter, der alle råber på samme tid over samme lille ild. Det er virkeligheden i store AI-fabrikker, hvor tusindvis af maskiner arbejder sammen. NVIDIAs nye platform, Minerva, kan i ét konkret tilfælde samle de 81 alarmer til én enkelt hændelse, som driftspersonalet kunne udbedre med det samme. Det sparede ifølge NVIDIA 54 timers klustertid.

Minerva er et såkaldt AIOps-værktøj — altså kunstig intelligens, der automatiserer driften og fejlfinding af computersystemer. Tænk på det som et levende kort over hele fabrikken: Det samler målinger og logfiler fra grafikkortene (GPU'er), fra netværkene Spectrum-X og NVLink, fra lagerenheder og fra de opgaver, maskinerne løser. Kortet kaldes en vidensgraf, og det opdateres løbende, så man altid ser, hvad der kører hvor.

Problemet er, at de dyreste fejl er de usynlige. En grafikkort kan køre nogle grader varmere end sine naboer, eller et hurtigt lagerdrev (NVMe) kan kun tabe ydeevne under vedvarende belastning. Ingen af signalerne krydser en fast alarmgrænse — lidt som en bil, der bruger lidt mere benzin end de andre, uden at motoren tænder for advarselslampen. Men når tusindvis af maskiner træner et AI-system sammen, rykker arbejdet kun frem i takt med den langsomste maskine. Én dårlig komponent spilder altså tid på mange raske — som en konvoj, der kun kan køre så hurtigt som det langsomste køretøj.

Minerva bruger trænede machine learning-modeller — altså programmer, der har lært mønstre ud fra data — til at fange sådanne gråfejl ved at sammenligne komponenter med hinanden under samme belastning. Platformen kobler også symptomer sammen: En fejl på én netværkskontakt (en switch) kan se ud som fejl på grafikkort, netværksgrænseflader og langsomme jobs på samme tid. Og med en AI-agent ved navn Sherlock samt en MCP-server — et interface, der forbinder AI-agenter med data — kan driftspersonale spørge til live-data på almindeligt sprog og koble oplysningerne ind i eksterne agent-workflows.

NVIDIA oplyser også, at platformen forebyggende opdagede en sjælden SuperNIC PCIe-fejl (en fejl i et netværkskorts tilslutning til computeren) og et NVMe-strømproblem. Systemet tømte de berørte maskiner for jobs, før kundeopgaver landede på dem — angiveligt med hundredvis til tusindvis af spildte GPU-timer til følge.