NVIDIA puso uno de los focos de Mission Control 2.5 en la recuperación automática de clústeres de Kubernetes. Según la compañía, esta solución está diseñada para entrenar modelos grandes con miles de GPU: cuanto mayor es la escala del entrenamiento, más caro resulta el tiempo necesario para reparar el clúster tras una interrupción, por lo que han integrado la monitorización y la automatización directamente en él. Las métricas que mencionan siguen siendo las tradicionales de los centros de datos: MTTR (tiempo medio de reparación) y MTBF (tiempo medio entre fallos); la diferencia es que ahora se aplican a las fábricas de IA. El texto original no detalla el proceso de recuperación ni las condiciones que lo activan, así que, por ahora, basta con tener presente que esta actualización busca reducir el tiempo de inactividad de los clústeres por fallos.

$NVDAB