‏NVIDIA Minerva: پلتفرم AIOps برای کارخانه‌های هوش مصنوعی

انویدیا تو رویداد GTC برلین ۲۰۲۶ از NVIDIA Minerva رونمایی کرد. این یه پلتفرم AIOps هست (یعنی استفاده از هوش مصنوعی برای مدیریت و عیب‌یابی خود زیرساخت). مخاطبش «AI factory»ها هستن، یعنی دیتاسنترهای عظیمی که هزاران GPU رو با شبکه‌های پرسرعت کنار هم می‌ذارن تا مدل train کنن یا سرویس بدن. به گفتهٔ انویدیا تو این مقیاس یه قطعهٔ ضعیف می‌تونه کل یه job رو کند کنه. نشونه‌هاش هم ریزه، مثلاً یه GPU که از بقیه داغ‌تره یا یه درایو NVMe که زیر بار افت می‌کنه.

مشکلی که Minerva دنبالشه اینه که ابزارهای مانیتورینگ سنتی دیتاسنتر رو تیکه‌تیکه نشون می‌دن. تیم شبکه، تیم compute، SRE و تیم یادگیری ماشین هر کدوم یه بخشو می‌بینن. Minerva سیگنال‌های GPUها، شبکه، ذخیره‌سازی، schedulerها و jobها رو به هم وصل می‌کنه و یه knowledge graph پویا می‌سازه (یعنی نقشه‌ای از اینکه کدوم GPU و SuperNIC و سوئیچ و کابل به کدوم job مربوطه). این‌جوری اپراتور می‌تونه یه training کند رو تا قطعهٔ مقصر دنبال کنه، حتی تو کلاستری با صدها هزار GPU.

این پلتفرم هر ساعت میلیاردها نقطهٔ داده رو با یادگیری ماشین supervised و unsupervised تحلیل می‌کنه. رفتار عادی رو یاد می‌گیره، ناهنجاری‌های جدید رو تشخیص می‌ده، خرابی‌ها رو پیش‌بینی می‌کنه و رویدادهای مرتبط رو بر اساس توپولوژی به هم ربط می‌ده. نتیجه‌ش اینه که به‌جای سیل هشدار، یه incident متمرکز با علت احتمالی تحویل می‌ده. یه دستیار هوش مصنوعی داخلی هم داره و به ابزارهای agentic بیرونی وصل می‌شه، پس اپراتور می‌تونه با زبان عادی وضعیت کلاستر رو بپرسه و پیشنهاد رفع مشکل بگیره. می‌شه اصلاح رو دستی انجام داد یا از طریق APIهای زیرساخت خودکارش کرد.

انویدیا معیار اصلیش رو «AI factory yield» گذاشته، یعنی میزان کار مفیدی که زیرساخت تولید می‌کنه بر اساس ساعت GPU، goodput، uptime کلاستر و تعداد توکن تولیدشده. به ادعای انویدیا Minerva فاصلهٔ بین وقفه‌ها رو بیشتر و زمان تعمیر رو کوتاه‌تر می‌کنه. IREN الان ازش استفاده می‌کنه و شرکت‌هایی مثل IBM، Lambda، Jio و Tesla هم قراره بیارنش. Dell، Lenovo و Supermicro هم اونو تو سبد محصولاتشون عرضه می‌کنن.

نکات کلیدی:

• Minerva داده‌های GPU، شبکه، ذخیره‌سازی، scheduler و jobها رو تو یه knowledge graph به هم وصل می‌کنه.
• هر ساعت میلیاردها نقطهٔ داده رو با یادگیری ماشین supervised و unsupervised تحلیل می‌کنه.
• هشدارهای مرتبط رو به یه incident واحد با علت احتمالی تبدیل می‌کنه.
• دستیار هوش مصنوعی داخلی داره و به ابزارهای agentic بیرونی و APIهای اتوماسیون وصل می‌شه.
• IREN ازش استفاده می‌کنه و IBM، Lambda، Jio و Tesla قراره مستقرش کنن.
• Dell، Lenovo و Supermicro هم Minerva رو عرضه می‌کنن.