SZTUCZNA INTELIGENCJA W CENTRACH OBLICZENIOWYCH: DROGA DO INTELIGENTNEJ, ZRÓWNOWAŻONEJ GOSPODARKI ENERGETYCZNEJ

Jako firma wyspecjalizowana w projektowaniu, budowie i eksploatacji nowoczesnych centrów obliczeniowych Data4 przywiązuje szczególną wagę do efektywności energetycznej. W świecie, w którym zapotrzebowanie na moc obliczeniową nieustannie rośnie, centra danych muszą wciąż wprowadzać innowacje, aby odpowiedzieć na to zapotrzebowanie, a jednocześnie ograniczać swój ślad środowiskowy. Sztuczna inteligencja (AI) wydaje się obiecującym rozwiązaniem optymalizującym zarządzanie centrami danych, ponieważ oferuje znaczne korzyści w wielu obszarach, w tym w zakresie efektywności energetycznej. Dlaczego? Spieszymy z wyjaśnieniem.

OBSZARY ZASTOSOWANIA SI W CENTRACH DANYCH

SI wykorzystuje się w centrach danych w celu optymalizacji różnych aspektów ich funkcjonowania. Szczególnie ważnym zagadnieniem jest gospodarka energetyczna. SI umożliwia analizę danych dotyczących zużycia energii i instalacji chłodniczych, co pozwala dynamicznie regulować parametry zależnie od potrzeb. Przyczynia się też do zmniejszenia zużycia energii przy jednoczesnym utrzymaniu warunków optymalnych dla dobrego funkcjonowania urządzeń.

Kolejnym obszarem, w którym SI przynosi istotne korzyści, jest konserwacja prewencyjna. Dzięki monitorowaniu urządzeń w czasie rzeczywistym i analizie danych pochodzących z czujników SI jest w stanie wcześniej wykrywać sygnały zapowiadające potencjalne awarie. Pozwala też optymalnie planować czynności utrzymania centrum danych co minimalizuje ryzyko awarii i związane z nimi koszty.

Warto wiedzieć. Jak podkreśla white paper France Data Center, sztuczna inteligencja i prognozowanie pozwalają określić optymalne warunki działania z punktu widzenia przyszłych potrzeb i w ten sposób pomagają użytkownikowi ustalić najlepszą konfigurację techniczną (urządzenia, które trzeba uruchomić, modele kaskadowe, funkcjonowanie recyklerów, itp.) oraz ustawienia (temperatura schłodzonej wody, itp.), a zarazem zapewnić bezpieczeństwo instalacji dzięki redundancjom. W szerszym zakresie modele AI umożliwiają symulację skutków czynności regulujących efektywność, takich jak zmiany ustawień oraz wymiana lub modernizacja urządzeń. AI można wykorzystywać jako nośnik optymalizacji, co pozwala zredukować wpływ pracy niektórych maszyn czy produktów na środowisko.

WKŁAD AI W POPRAWĘ EFEKTYWNOŚCI ENERGETYCZNEJ CENTRÓW OBLICZENIOWYCH

Sztuczna inteligencja ma duży potencjał w obszarze poprawy  efektywności energetycznej centrów danych. Jest to możliwe poprzez wykorzystanie złożonych modeli danych oraz ułatwianie analiz i podejmowania decyzji w czasie rzeczywistym.

SZKOLENIE AI W WARUNKACH RZECZYWISTYCH – PROCES DŁUGOTRWAŁY, ALE KONIECZNY

Szkolenie sztucznej inteligencji na danych rzeczywistych to etap o podstawowym znaczeniu dla zagwarantowania adekwatności i efektywności opracowanych modeli. Rzeczywiste dane pozwalają SI zrozumieć i przyswoić sobie charakterystyki, tendencje i złożone relacje istniejące w realnym świecie. Opierając się na tych danych, SI jest w stanie podejmować świadome decyzje, gdy zostanie skonfrontowana z podobnymi sytuacjami oraz formułować trafne, precyzyjne prognozy,. Szkolenie SI na rzeczywistych danych może jednak trwać kilka miesięcy, a nawet kilka lat.

Kilka przyczyn tłumaczy czas trwania tego procesu.

1. Gromadzenie danych. Aby przeszkolić model AI, trzeba dysponować dużą ilością zróżnicowanych, reprezentatywnych dla stanu rzeczywistego danych. Zebranie tych danych może długo trwać, zwłaszcza jeżeli Dotyczą one rzadkich lub sezonowych zdarzeń czy zjawisk. Przykładowo w centrum obliczeniowym dane związane z pogodą w sierpniu lub w styczniu mają bezpośredni wpływ na możliwości chłodzenia budynku. Dysponowanie różnorodnymi danymi ma zatem podstawowe znaczenie.
2. Jakość danych. Dane rzeczywiste są często zniekształcone danymi zakłócającymi, niepełne lub niedokładne. Trzeba zatem je oczyścić, sprawdzić i uzupełnić, zanim będzie można je wykorzystać do szkolenia SI. Ta wstępna praca może być długotrwała i uciążliwa, ale jest niezbędna, żeby otrzymać model dobrej jakości.
3. Złożoność modeli. Modele AI  – zwłaszcza głębokie sieci neuronowe – składają się z milionów parametrów, które trzeba korygować, żeby zminimalizować odchylenie między prognozami modelu a danymi rzeczywistymi. Szkolenie takich modeli wymaga dużych zasobów obliczeniowych i może trwać długo. Czas ten zależy od wielkości i złożoności modelu, a także od ilości dostępnych danych.
4. Korekta i walidacja modeli. Po przeszkoleniu modelu trzeba dokonać jego walidacji na nieznanych wcześniej danych, żeby sprawdzić jego skuteczność i zdolność do generalizacji. Etap ten może wymagać kolejnych korekt modelu i nowego szkolenia, co jeszcze bardziej wydłuża proces.

MODELE DANYCH, NA KTÓRYCH OPIERA SIĘ SI

Aby zoptymalizować efektywność energetyczną centrów danych Data4, AI opiera się na kilku modelach danych, między innymi na:

• zapotrzebowaniu klienta na energię, które waha się zależnie od terminu i wykorzystywanych usług;
• warunkach otoczenia, temperatura i wilgotność powietrza, aby dostosowywać chłodzenieurządzeń;
• danych dotyczących utrzymania urządzeń takich jak historia interwencji oraz stan sprzętu przed i po serwisie, które pozwalają AI ocenić wpływ tych czynności na efektywność energetyczną;
• danych pochodzących z samych urządzeń, takich jak czujniki temperatury, prędkości wentylatorów lub przepływu powietrza, aby w czasie rzeczywistym korygować parametry energetyczne.

TRZY GŁÓWNE ETAPY WDROŻENIA SI

Uruchomienie SI mające na celu poprawę efektywności energetycznej centrów obliczeniowych dzieli się na trzy główne etapy.

1. Pierwszy etap polega na gromadzeniu danych, które musi trwać dostatecznie długo (co najmniej rok), aby otrzymać dane dobrej jakości, reprezentatywne dla stanu rzeczywistego. Etap ten ma zasadnicze znaczenie dla adekwatności decyzji podejmowanych przez SI.

2. Drugi etap to oparte na technikach uczenia maszynowego szkolenie SI, którego celem jest nauka na podstawie zgromadzonych danych. Dzięki temu SI jest w stanie rozpoznawać tendencje, ustalać korelacje między zmiennymi i modelować parametry energetyczne urządzeń w centrum danych.

3. Trzeci etap to wykorzystanie AI w celu analizy i podejmowania decyzji w czasie rzeczywistym. Wówczas AI jest w stanie identyfikować możliwości optymalizacji zużycia energii, wykrywać anomalie i proponować działania zaradcze w celu poprawy efektywności energetycznej centrum danych.

Jak mówi Olivier de Nomazy, odpowiedzialny w Data4 za produkt i innowacje, do końca 2023 r. będziemy dysponować istotnymi danymi, które pozwolą nam uruchomić modele sztucznej inteligencji w 15 centrach danych Data4 we Francji i za granicą.  Rozpoczęta przed rokiem praca pozwoli nam jeszcze bardziej umacniać naszą pozycję w dążeniu do większej efektywności energetycznej, aby nowoczesną technologię łączyć z odpowiedzialnością za klimat.

BEZPIECZEŃSTWO I MIEJSCE SI W ZARZĄDZANIU CENTRAMI OBLICZENIOWYMI

Coraz częstsze stosowanie AI w centrach danych nasuwa też ważne pytania o bezpieczeństwo i odpowiedzialność. Operatorzy centrów danych stoją przed wyzwaniem, którym jest znalezienie równowagi między oferowaną przez AI automatyzacją a utrzymaniem kontroli człowieka nad decyzjami o krytycznym znaczeniu.

AI jako pomoc w pilotażu

Bezpieczeństwo jest dla centrów danych ważną kwestią, dlatego nasuwa się pytanie, czy AI powinna mieć prawo do całkowicie samodzielnego podejmowania decyzji, czy też musi się ograniczyć do pomocy w pilotażu. Stanowisko Data4 jest jasne: AI nie może ingerować bezpośrednio w urządzenia bez nadzoru człowieka, żeby uniknąć zagrożeń związanych z anomaliami zachowania lub błędnymi decyzjami. AI należy zatem uznać za cenne narzędzie dostarczające operatorom wskazówek do podejmowania decyzji, ale w żadnym wypadku ich nie zastępujące.

Sztuczna inteligencja oferuje więc znaczny potencjał poprawy gospodarki energetycznej w centrach obliczeniowych. Opierająca się na zróżnicowanych modelach danych, zdolna do analizowania i działania w czasie rzeczywistym SI przyczynia się do optymalizacji efektywności energetycznej, a przy tym obniża koszty utrzymania ruchu i eksploatacji. Perspektywy ewolucji sztucznej inteligencji w obszarze centrów obliczeniowych są obiecujące. W Data4 będziemy kontynuować badania i integrację tej technologii, aby oferować swoim klientom coraz bardziej efektywne i zrównoważone rozwiązania.