엔비디아 미네르바, AI 공장 중단 줄이려 찾는 장애 신호

엔비디아는 2026년 10월 26일 미네르바 AIOps 플랫폼이 AI 팩토리의 원격 측정 데이터를 통합하고 가동 중단 시간을 줄이도록 설계됐다고 밝혔다. 목표는 유효 GPU 가동 시간을 보존하는 것이다. 이 플랫폼은 머신러닝 모델과 토폴로지 인식 지식 그래프를 활용해 GPU, 네트워킹, 스토리지, 스케줄러, 워크로드 전반의 데이터를 분석한다. 이를 통해 부분적·간헐적 장애인 그레이 장애의 징후를 비롯한 이상을 탐지하고 관련 경보를 묶는다. 미네르바에는 실시간 운영 데이터에 기반한 어시스턴트 셜록과 외부 에이전트형 도구에 맥락 정보를 제공할 수 있는 MCP 서버가 포함된다. 엔비디아는 약 400,000개의 인터페이스 가운데 대역폭 저하를 일으키는 NVLink를 탐지하고, 워크로드에 영향이 발생하기 전에 PCIe SuperNIC 결함을 식별한 내부 사례를 제시했다. 미네르바가 일시 정지 프레임 폭주로 발생한 81개 이벤트를 하나의 장애 건으로 통합했다고도 밝혔다. 별도의 NVMe 장애는 학습 작업을 지연시켰다. 엔비디아가 이 사례들에서 제시한 시간 절감과 실행 시간 손실 수치는 독립적인 검증이 아닌 자체 테스트와 실제 배포 결과에 근거했다.