NVIDIA usa agentes de IA para simplificar a operação de AI factories

O AI Factory Operations Agent nasceu para reduzir o trabalho manual dos SREs da NVIDIA na operação dos clusters internos NVIDIA DGX SuperPOD. Em vez de olhar dashboards de cada camada (computação, rede, hardware e scheduling), o SRE conversa em linguagem natural com agentes especializados, que se comunicam por Model Context Protocol (MCP). O exemplo de desenvolvedor foi construído sobre o blueprint NemoClaw, com plugins OpenClaw e servidores MCP, cada um expondo um conjunto restrito de ferramentas aprovadas.

A implantação roda como aplicação no control plane do Kubernetes, via Helm: UI, gateway OpenClaw, servidores de ferramentas MCP, endpoint de inferência e runtime NVIDIA OpenShell. Para execução de shell, o OpenShell cria um sandbox Kubernetes por sessão, sem tocar em serviços ou cargas de produção. A inspeção usa a ferramenta run_kubectl no servidor, com um binário kubectl fixo e credenciais somente leitura registradas. O OpenShell não recebe kubectl nem credenciais, e RBAC com service accounts define o que dá para inspecionar. A inferência usa modelos abertos Nemotron servidos localmente, e o framework roda em clusters DGX H100, DGX B200 e DGX GB300. O código é open source experimental, então APIs e configuração podem mudar entre releases.

O histórico do CEVIU mostra a peça de agentes se encaixando. Em 3 de junho de 2026, o CEVIU noticiou "NVIDIA lança Agent Toolkit para agentes de IA corporativos seguros", que reunia blueprints do NemoClaw, modelos Nemotron e o runtime OpenShell. Agora esses mesmos componentes aparecem aplicados a um caso concreto, a operação de AI factories. Em 22 de outubro de 2026, o CEVIU noticiou "NVIDIA lança Minerva, plataforma de AIOps para monitorar AI factories de ponta a ponta", focada em telemetria e machine learning. O agente de operações é outra abordagem para o mesmo problema, baseada em chat e agentes de domínio.

Para quem opera infraestrutura de GPU ou constrói agentes, o valor está menos na interface de chat e mais nas decisões de arquitetura: começar somente leitura, sandbox por sessão, ferramentas MCP bem delimitadas e raciocínio transparente. Dá para usar esse desenho como referência mesmo fora do ecossistema NVIDIA, conectando seus próprios servidores MCP a scheduler e observability.