NVIDIA DCGM

NVIDIA Data Center GPU Manager (DCGM) は、クラスター環境におけるNVIDIA GPUの管理と監視を目的としたスイートです。アクティブなヘルスチェック、診断テスト、テレメトリの収集、電力やクロックの管理機能を提供します。Modalのようなインフラプロバイダーは、DCGMを使用してGPUのハードウェア故障や性能低下を自動的に検知します。