米半導体大手NVIDIAは、AIファクトリー向け運用基盤「Minerva」を発表した。AIによる故障予測や障害原因の特定を支援し、大規模なGPU基盤の稼働率向上と運用効率化を目指す。
NVIDIAのMinervaがAI工場の異常検知と故障予測を支援
2026年10月22日に発表された「NVIDIA Minerva」は、NVIDIAのGPUやネットワーク、ストレージ、ジョブスケジューラー、AIワークロードなどから得られるテレメトリーデータを統合し、AIファクトリー全体の状況を把握するための基盤である。
従来の監視ツールでは、ネットワークや計算処理、機械学習などの担当チームが個別に状況を確認しがちだったが、同基盤は各領域の情報を横断的に分析する。
中核となる機能の一つが、インフラ構成と実行中のジョブを関連付ける動的なナレッジグラフだ。学習処理の遅延が起きた際に、数十万基のGPUを抱える大規模な環境でも、影響を与えているコンポーネントを特定しやすくする仕組みである。
さらに、教師あり学習と教師なし学習を活用して1時間当たり数十億件のデータポイントを分析し、通常の動作を学習したうえで未知の異常を検知し、故障の兆候を予測する。関連する事象は一つのインシデントに集約し、根本原因の候補も示す。
NVIDIAは効果として、障害の予兆を捉えることによる中断間隔の延長、原因の特定による修復時間の短縮、重要なアラートへの絞り込みを挙げている。
運用担当者は、標準搭載されたAIアシスタントを通じて、稼働状況を自然言語で調査し、推奨される対処方法を確認できる。修正作業を人間が実施する運用に加え、インフラ向けAPIや外部システムを介して自動化する構成にも対応する。
IRENが導入企業の一つであり、Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI、Teslaも導入を計画している。また、Dell Technologiesに加え、LenovoとSupermicroも、自社のAIファクトリー運用製品群にMinervaを組み込んで提供する予定だ。
運用効率の向上に期待 AIへの依存と自動修正には課題も
Minervaの導入で期待されるのは、障害が起きてから対応する運用から、兆候を捉えて先回りする運用への移行である。問題の早期発見と原因の絞り込みが進めば、中断の減少や復旧の迅速化が見込まれ、AIモデルの学習や推論に使えるGPU時間を増やせる可能性がある。
また、複数の監視領域を横断して情報を確認できれば、ネットワークやストレージ、計算処理を担当するチーム間で、問題の切り分けを進めやすくなると考えられる。
自然言語による調査機能も、専門領域の異なる担当者が状況を理解する助けになりそうだ。
ただし、AIによる原因推定や対処の提案が常に正確とは限らない。誤った判断で修正を自動実行すれば、正常な処理に影響が及ぶおそれもある。
そのため、導入初期には人間による確認を組み合わせ、自動化の適用範囲を慎重に見極めることが望ましい。
今後は、導入企業が実際の運用でどの程度、障害の発生頻度や復旧時間を改善できるかが評価の焦点となりそうだ。実績が蓄積されれば、有効性の判断材料も増えていくだろう。
監視の統合に加え、人間の判断と自動化の境界を適切に設定できれば、Minervaは複雑化するAIインフラに対応する有力な選択肢となりうる。
関連記事：
NVIDIA、Vera Rubin設計をOCPに提供 AI基盤共通化へ
シャープ、NVIDIA搭載の業務向けAIサーバー受注開始 オンプレAI基盤の構築に対応
