NVIDIA、AIファクトリーの可観測性を高めるAIOpsプラットフォーム「Minerva」を発表

NVIDIAは、AIファクトリーの運用担当者にインフラとワークロードのデータを一つの視点から見渡せるようにするAIOpsプラットフォーム「Minerva」を発表した。同社は2026年10月22日にこのプラットフォームを公開した。

NVIDIAによると、MinervaはGPU、ネットワーク、ストレージ、スケジューラー、ワークロードのテレメトリーを集約し、専用に構築されたAIモデルを適用することで、そのデータを実用的な洞察に変換する。同社はAIファクトリーを世界で最も複雑な運用の一つと位置づけており、膨大な数のGPUが高速ネットワークを介してモデルの訓練やアプリケーションの提供を行う中で、過熱したGPUや性能が低下したNVMeドライブといった単一の劣化したコンポーネントがジョブ全体を遅延させることがあるとしている。

これまで分断されていた視点をつなぐ

NVIDIAによれば、従来の監視ツールはデータセンターを個別の視点に分断しており、ネットワーク、コンピュート、SRE(サイト信頼性エンジニアリング)、機械学習の各チームはそれぞれ運用の一部しか見ることができなかった。Minervaは、NVIDIAのGPU、ネットワーク、ストレージ、スケジューラー、ワークロードにわたるこれらの信号をつなぎ、同社が「動的なナレッジグラフ」と呼ぶ仕組みを構築する。これはGPU、SuperNIC、スイッチ、ケーブルといったインフラ構成要素と、そこで動くジョブを論理的にマッピングするものだ。

NVIDIAは、このコンテキストによって、数十万規模のGPUを持つファクトリーであっても、運用担当者は遅延している訓練ジョブを原因となっている特定のコンポーネントまで追跡できるようになると説明する。同社によれば、このプラットフォームは教師あり・教師なし双方の機械学習を用いて1時間あたり数十億のデータポイントを分析し、正常な挙動を学習し、これまで見られなかった異常を検知し、発生しつつある障害を予測し、ファクトリーのトポロジーに基づいて関連イベントを関連付ける。すべての兆候を個別に運用担当者へ送るのではなく、Minervaはイベントの大量発生を、発生原因の推定を伴う一つの焦点化されたインシデントへとまとめることができるという。

AIアシスタントと自動化

NVIDIAによると、MinervaにはネイティブのAIアシスタントが標準搭載されており、外部のエージェント型AIツールとも連携できる。これにより、リアルタイムのテレメトリーに基づいた自然言語インターフェースが追加される。同社によれば、運用担当者は対話形式でクラスターの健全性を調査し、推奨される対処法を受け取ることができる。チームは人間を介在させて手動で修正を実施することもできるし、インフラAPIや外部システムを通じてMinervaを自動化に接続することもできるとNVIDIAは述べている。

目標とする指標

NVIDIAは、Minervaが、AIファクトリーが追跡する主要な指標全体で価値を発揮することを意図していると説明する。

• 障害間隔の延長:NVIDIAによれば、Minervaは問題が発生する前に兆候を検知するため、ジョブがより長くインシデントなしで稼働できるという。
• 修復時間の短縮:同社は、Minervaが問題箇所を特定することで、より迅速な解決につながると説明する。
• 洞察力の向上:NVIDIAによれば、Minervaは現代のAIインフラが生み出す大量のデータをふるいにかけ、本当に重要なアラートだけに絞り込む。

出典:NVIDIA Blog、「NVIDIA Unveils Minerva to Bring End-to-End Observability for AI Factories」、2026年10月22日公開。