NVIDIA 任务控制 2.5 如何为 Kubernetes 带来自主恢复功能

在数千块 GPU 上训练大规模 AI 模型是一项高风险的运维工作，必须内置监控与自动化机制，以优化集群的韧性和大规模运行的可用性……在数千块 GPU 上训练大规模 AI 模型是一项高风险的运维工作，必须内置监控与自动化机制，以优化集群的韧性和大规模运行的可用性。这一理念对于数据中心运营商而言并不新鲜——早在 AI 工厂出现之前，他们就已经开始衡量平均修复时间（MTTR）和平均无故障间隔时间（MTBF）。如今，风险与挑战进一步升级。现代 AI 工厂正在运行……

来源