Empreses
Nvidia posa detectius d'IA als seus centres de dades
Nvidia presenta al seu blog tècnic com fa servir l'AI Factory Operations Agent als seus clústers interns: agents d'IA especialitzats que detecten errors, creuen senyals de còmput, xarxa, maquinari i planificació i ofereixen recomanacions als seus enginyers de fiabilitat (SRE). Segons l'empresa, investiguen en mode de només lectura, i el marc ja és a GitHub com a codi obert experimental.
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
En resum
- Segons l'empresa, cada agent especialitzat cobreix un domini: recuperació de treballs, maquinari, observabilitat, documentació, Kubernetes i gestió del clúster.
- Segons l'empresa, l'agent pot consultar pods i configmaps de Kubernetes, però no secrets, i no pot crear ni actualitzar pods.
- La inferència fa servir models oberts Nemotron servits en local i el sistema funciona en clústers DGX H100, DGX B200 i DGX GB300, segons l'empresa.
- El codi és experimental: les seves API, la configuració i els requisits de desplegament poden canviar entre versions, segons NVIDIA.
Un detectiu per a cada capa del clúster
Nvidia ha detallat al seu blog tècnic, el 4 de novembre de 2026, com fa servir agents d'IA als seus propis clústers DGX SuperPOD. Segons Nvidia, a mesura que creixen els clústers de GPU, les operacions abasten còmput, xarxa, maquinari i planificació, i els SRE solen revisar diversos panells per esbrinar per què cau el rendiment d'un entrenament.
La resposta és l'AI Factory Operations Agent, que reparteix la feina entre agents especialitzats en cada domini operatiu. En producció, sosté Nvidia, aquests agents detecten errors, relacionen l'origen dels problemes entre capes i ofereixen recomanacions clares en una interfície de xat. Els SRE poden parlar amb qualsevol d'ells en llenguatge natural, passar d'una investigació a una altra i seguir cada acció per auditar-la.
Un subagent per a cada domini
| Subagent | Què investiga |
|---|---|
| Job Recovery Agent | Errors de treballs d'entrenament i caigudes de goodput; cerca l'origen entre planificador, aplicació, maquinari i xarxa, i proposa com recuperar-se quan el confirma |
| Hardware Agent | Avaries de dispositiu: errors PCIe i ECC, problemes de GPU, errors NVMe i anomalies tèrmiques, fins al component concret |
| Observability Agent | Dades històriques de Prometheus, telemetria i registres de Grafana Loki, amb panells creats al moment a la web |
| Research Agent | Documentació precarregada, com ara manuals de Mission Control i arquitectures de referència de DGX SuperPOD, més els procediments propis que s'hi pugin |
| Kubernetes Agent | Pods, serveis, desplegaments, recursos de GPU, estat dels nodes i planificació, en mode de només lectura |
| Cluster Management Agent | API de Base Command Manager, amb eines de diagnòstic, per assessorar en la gestió del clúster |
Segons Nvidia, el seu desplegament intern es recolza en un ecosistema creixent d'agents especialitzats en els dominis del seu centre de dades, i cadascun aporta recomanacions. La taula recull els que descriu l'empresa.
Les peces: NemoClaw, OpenShell i Nemotron
Segons Nvidia, l'exemple per a desenvolupadors es va construir sobre el blueprint NemoClaw, i el marc fa servir OpenShell, cosa que permet executar-lo completament en instal·lacions pròpies i mantenir la sobirania de les dades. La inferència funciona amb models oberts Nemotron servits en local, i el conjunt opera en clústers interns de producció DGX H100, DGX B200 i DGX GB300.
Segons l'empresa, els agents es connecten a la infraestructura mitjançant complements d'OpenClaw i servidors MCP, i el disseny modular permet afegir agents sense tocar els existents. Tot es desplega amb Helm com a serveis de Kubernetes i, per executar ordres, OpenShell crea per sessió un entorn aïllat de Kubernetes en lloc de fer servir el pod principal de la passarel·la, sense modificar serveis existents ni càrregues de producció.
El marc també integra, segons l'empresa, eines MCP transversals —cerca web, execució de codi i panells de Grafana— i admet connectar-hi servidors MCP i API propis.
Mira, però no toca
| Ordre | Resposta del clúster |
|---|---|
| kubectl auth can-i get pods | yes |
| kubectl auth can-i get configmaps | yes |
| kubectl auth can-i get secrets | no |
| kubectl auth can-i create pods | no |
| kubectl auth can-i update pods | no |
Segons Nvidia, la seguretat s'aplica per capes. Per inspeccionar Kubernetes, l'agent fa servir l'eina run_kubectl, que executa al servidor un binari de kubectl de versió fixada amb credencials registrades de només lectura. OpenShell no rep ni kubectl ni credencials de Kubernetes.
El resultat d'aquestes comprovacions, publicat per l'empresa, cap en una taula. Segons l'empresa, investigar primer en mode de només lectura i amb encert és el que guanya la confiança dels SRE abans d'automatitzar, i aquests necessiten veure les crides a eines, l'evidència i les conclusions abans d'actuar.
Lliçons i un marc encara experimental
Nvidia sosté que continua afinant el marc: mesura la precisió de l'anàlisi de causa arrel, segueix el grau d'acord dels SRE i amplia l'ecosistema d'agents. Del seu ús en producció en destaca diverses lliçons: límits clars entre agents, perquè solapar responsabilitats genera soroll; començar per la només lectura; creuar senyals de càrrega, maquinari i xarxa que les eines aïllades no connecten; definir bé les eines MCP per triar la correcta, i mostrar el raonament.
Segons l'empresa, el model de desplegament preferit a gran escala és un pla de control dedicat, accelerat per GPU i aïllat del clúster de producció, que rep la telemetria sense consumir GPU d'entrenament. El marc és a GitHub com a programari de codi obert experimental, juntament amb un exemple per a desenvolupadors, i els clients de Nvidia poden demanar al seu gestor de compte accés als agents d'operacions que ha desenvolupat la companyia.
Conclusió
Segons Nvidia, el repartiment és clar: els agents investiguen, creuen capes i recomanen; els SRE veuen l'evidència i decideixen. Qui vulgui provar-ho té el codi a GitHub, amb l'advertiment que encara és experimental.
Fonts primàries
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
Comentaris