NVIDIA cible désormais ceux qui font tourner les immenses grappes de GPU. Le 22 octobre, le groupe a lancé Minerva, une plateforme AIOps destinée à détecter les problèmes dans ce qu'il appelle les usines d'IA avant qu'ils ne ralentissent l'entraînement ou l'inférence. L'argument : à cette échelle, un GPU un peu plus chaud que ses voisins ou un disque qui faiblit sous la charge peuvent pénaliser toute une tâche, et les signes avant-coureurs passent facilement inaperçus.
Le principe repose sur une représentation unique de l'ensemble du site. Selon NVIDIA, les équipes d'exploitation découpent d'ordinaire le centre de données en vues distinctes pour le réseau, le calcul, la fiabilité et l'apprentissage automatique. Minerva collecte la télémétrie des GPU NVIDIA, du réseau, du stockage, des ordonnanceurs et des charges elles-mêmes, puis bâtit un graphe de connaissances dynamique reliant les composants physiques, GPU, SuperNIC, commutateurs et câbles, aux tâches qui s'y exécutent. C'est cette carte qui permettrait de remonter d'un entraînement poussif jusqu'à la pièce fautive, même sur un site de plusieurs centaines de milliers de GPU.
L'analyse passe par l'apprentissage automatique plutôt que par des seuils figés. NVIDIA affirme que Minerva traite des milliards de points de données par heure, avec des méthodes supervisées et non supervisées, pour apprendre le fonctionnement normal, repérer des anomalies inédites, prévoir les pannes et rapprocher les événements liés grâce à la topologie. Au lieu de relayer chaque symptôme, il doit condenser un déluge d'alertes en un incident unique assorti d'une cause probable.
Une couche conversationnelle complète l'ensemble. La plateforme embarque son propre assistant d'IA et peut se brancher sur des outils agentiques externes : les opérateurs interrogent l'état de la grappe en langage naturel et reçoivent des corrections suggérées, fondées sur la télémétrie en direct. Ils peuvent les appliquer manuellement ou automatiser leur exécution via les API de l'infrastructure. NVIDIA résume la promesse par ce qu'elle nomme le rendement de l'usine d'IA, mélange d'heures GPU, de travail utile, de disponibilité et de production de jetons. Autrement dit, le groupe veut que l'outil soit jugé au surplus de travail utile tiré du matériel existant, et non au nombre de tableaux de bord qu'il remplace.
Les premiers utilisateurs sont surtout des opérateurs de cloud GPU. IREN, dont le directeur technique Denis Skrinnikoff est cité dans l'annonce, s'en sert déjà. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI et Tesla prévoient de le déployer, et Dell Technologies, Lenovo et Supermicro l'intégreront à leurs offres d'exploitation d'usines d'IA.
NVIDIA étend ainsi son emprise du matériel et du réseau vers le logiciel qui pilote les installations bâties dessus. Aucun tarif, aucun gain de disponibilité mesuré ni détail sur les modèles employés n'a été publié, et les bénéfices annoncés, interruptions plus espacées et réparations plus rapides, ne sont pas chiffrés. Reste aussi à savoir si l'outil fonctionne aussi bien sur des parcs hétérogènes que sur des sites entièrement équipés en NVIDIA.