NVIDIA startet Minerva-AIOps-Plattform für die Beobachtbarkeit von KI-Fabriken

NVIDIA hat Minerva am 22. Oktober 2026 gestartet. Das Unternehmen beschreibt die Plattform als AIOps-Plattform, die Betriebsteams in KI-Fabriken frühzeitig vor Infrastrukturproblemen warnt. Minerva führt Telemetriedaten sowohl aus der Infrastruktur als auch aus KI-Workloads zusammen und wendet anschließend speziell entwickelte KI-Modelle an, um daraus umsetzbare Erkenntnisse zu gewinnen, so das Unternehmen.

KI-Fabriken gehören zu den komplexesten Betriebsumgebungen der Welt, erklärt NVIDIA: Riesige GPU-Flotten trainieren Modelle und stellen KI-Anwendungen über Hochgeschwindigkeitsnetzwerke bereit. Eine einzelne beeinträchtigte Komponente in einer solchen Größenordnung – etwa eine GPU, die heißer läuft als vergleichbare Geräte, oder ein NVMe-Laufwerk, dessen Leistung unter Last nachlässt – kann einen gesamten Auftrag verlangsamen. Solche Warnzeichen sind leicht zu übersehen. Minerva zielt auf das ab, was NVIDIA als Produktivität der KI-Fabrik bezeichnet: die nutzbringende Arbeit, die die Infrastruktur leistet. Gemessen wird sie anhand der GPU-Stunden, des Goodputs, der Clusterverfügbarkeit und der Token-Produktion.

Ein dynamischer Wissensgraph der Fabrik

Herkömmliche Überwachungstools unterteilen Rechenzentren häufig in separate Ansichten. Dabei sehen die Teams für Netzwerke, Rechenleistung, Zuverlässigkeit am Standort und maschinelles Lernen jeweils nur einen Teil des Betriebs. Laut NVIDIA verknüpft Minerva diese Signale über GPUs, Netzwerke, Speicher, Scheduler und Workloads hinweg.

Auf Grundlage dieser Signale erstellt Minerva einen dynamischen Wissensgraphen, der GPUs, SuperNICs, Switches und Kabel sowie die darauf ausgeführten Aufträge logisch abbildet. NVIDIA zufolge können Betriebsteams mithilfe dieser Zuordnung nachvollziehen, welche Komponente einen langsamen Trainingsauftrag beeinträchtigt – selbst in einer Fabrik mit Hunderttausenden GPUs.

NVIDIA zufolge analysiert die Plattform pro Stunde Milliarden von Datenpunkten mithilfe von überwachtem und unüberwachtem maschinellem Lernen. Sie lernt, wie normales Verhalten aussieht, kennzeichnet bisher unbekannte Anomalien, prognostiziert sich abzeichnende Ausfälle und setzt zusammengehörige Ereignisse anhand der Topologie der Fabrik miteinander in Beziehung. Statt einzelne Symptome an Betriebsteams weiterzuleiten, kann die Plattform eine Flut zusammenhängender Ereignisse zu einem einzigen gezielten Vorfall mit einer wahrscheinlichen Ursache bündeln.

KI-Assistent und Behebungsablauf

Minerva wird mit einem integrierten KI-Assistenten ausgeliefert und kann zudem mit externen agentischen KI-Tools verbunden werden. So erhalten Betriebsteams eine natürlichsprachliche Schnittstelle, die auf aktuellen Telemetriedaten basiert. Sie können den Zustand des Clusters untersuchen und sich im Dialog Maßnahmen zur Behebung empfehlen lassen. Teams können eine Person in den Prozess einbinden, die Korrekturen manuell umsetzt, oder die Plattform über Anwendungsprogrammierschnittstellen für die Infrastruktur und externe Systeme mit Automatisierung verbinden.

Bitdeer AI, das am 22. Oktober die eigene Einführung der Plattform bekannt gab, bezeichnet den integrierten Assistenten als Sherlock – Minervas plattformnativem KI-Assistenten mit mehreren Agenten. Das Unternehmen erklärt außerdem, dass ein MCP-Server es Betriebsteams ermöglicht, mithilfe natürlichsprachlicher Dialoge auf Grundlage aktueller Telemetriedaten Probleme zu priorisieren und Fehler zu beheben. Laut Bitdeer AI kann die Software als eigenständige Plattform bereitgestellt werden und ist in NVIDIA DSX OS integriert. Der Mitteilung zufolge umfasst die Telemetrie NVIDIA-GPUs, ConnectX-SuperNICs, BlueField-DPUs, NVLink-Switches für die Skalierung nach oben, Spectrum-X für den Ost-West- und Nord-Süd-Ethernet-Verkehr, NCCL, Scheduler und KI-Workloads.

Gemeldete Ergebnisse

NVIDIA zufolge liefert die Plattform bei den zentralen Kennzahlen, auf die KI-Fabriken achten, einen Mehrwert: Sie verlängert die Zeit zwischen Unterbrechungen, indem sie Probleme erkennt, bevor sie auftreten; verkürzt die Reparaturzeit, indem sie bei einem Vorfall das Problem genau lokalisiert; und verbessert den Überblick, indem sie die Datenflut moderner KI-Infrastrukturen auf die wenigen tatsächlich wichtigen Warnmeldungen reduziert. Das Unternehmen erklärt, dass die Plattform zusammenhängende Probleme zu einem einzigen umsetzbaren Vorgang bündelt. So können AIOps-Teams von reaktiver zu proaktiver Wartung wechseln und die GPU-Verfügbarkeit in KI-Fabriken maximieren.

Bitdeer AI berichtete über Ergebnisse aus internen Tests von NVIDIA in einer KI-Fabrik: In einem Fall verkürzte Minerva bei einem Stromversorgungsfehler eines NVMe-Laufwerks die mittlere Reparaturzeit von einem mehrtägigen Ausfall auf sechs Stunden. In einem anderen Fall bündelte die Plattform 81 störungsreiche Ereignisse zu einer einzigen Warnmeldung und sicherte dadurch 54 Stunden Clusterverfügbarkeit. Laut Bitdeer AI zeigten die internen Tests außerdem, dass die mittlere Zeit zwischen Unterbrechungen durch vorausschauende Wartung zunahm, die mittlere Reparaturzeit durch automatisierte Ursachenanalyse sank, die Zahl umsetzbarer Erkenntnisse durch fortschrittliche Rauschunterdrückung stieg und die effektive Zahl der GPU-Stunden zunahm, was die Token-Produktion unmittelbar erhöhte.

Erste Anwender und OEM-Partner

IREN gehört zu den NVIDIA-Partnern, die Minerva zur Optimierung ihrer KI-Fabriken einsetzen. „NVIDIA Minerva bietet unserem Betriebsteam einen einheitlichen Überblick über Netzwerk, GPUs und die darauf ausgeführten Aufträge. So können wir uns stärker auf proaktive Wartung konzentrieren, statt Fehler zu beheben“, sagte Denis Skrinnikoff, Chief Technology Officer von IREN, in der Mitteilung zur Einführung.

Bitdeer AI erklärte, Minerva nun in seinen KI-Fabriken einzusetzen. Das Unternehmen bezeichnete diesen Schritt als Erweiterung seines Engagements für eine zuverlässige GPU-Infrastruktur mit hoher Leistung bei groß angelegtem KI-Training und bei Inferenz. Die Beobachtbarkeit, vorausschauende Wartung und agentische Fehlerbehebung der Plattform helfen dem Unternehmen nach eigenen Angaben, Leistungseinbußen zu erkennen, bevor sie sich auf Aufträge auswirken, die Reparaturzeit zu verkürzen und mehr GPUs für Kunden produktiv zu halten. Die Software sei darauf ausgelegt, von kleinen Clustern bis hin zu KI-Fabriken mit Hunderttausenden GPUs zu skalieren.

Lenovo erklärte in seinem eigenen Beitrag zur GTC Berlin, dass Minerva Teams dabei helfen kann, die Verfügbarkeit und Leistung ihrer KI-Infrastruktur zu verwalten, wenn ihre Umgebungen wachsen. Lenovo führte Minerva neben seinen Lenovo Hybrid AI Factory with NVIDIA-Lösungen auf. Außerdem teilte Lenovo mit, dass das Unternehmen gemeinsam mit IBM und NVIDIA an Lösungen für souveräne KI-Fabriken arbeitet, die Kunden die Kontrolle über ihre eigenen Betriebsabläufe geben sollen.

Neben IREN nannte NVIDIA Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI und Tesla als Unternehmen, die den Einsatz von Minerva planen. Dell Technologies, Lenovo und Supermicro werden die Plattform laut NVIDIA in ihr Angebot für den Betrieb von KI-Fabriken aufnehmen.