Как ИИ может сделать центры обработки данных более эффективными и декарбонизировать

Сейчас считается, что центры обработки данных и другие операции облачных вычислений составляют до 1% глобального энергопотребления. Углерод, затраченный на эксплуатацию этих огромных серверных ферм – и особенно на их охлаждение – далеко не незначительный. Считается, что около 50% потребления электроэнергии приходится на основные эксплуатационные расходы, а до 40% приходится на затраты на охлаждение.

Центры обработки данных постоянно ищут решения: от использования большего количества возобновляемых источников энергии до размещения центров обработки данных под водой, чтобы сэкономить на затратах на охлаждение.

Некоторые из наиболее экономных и практичных решений включают внедрение искусственного интеллекта для выявления и устранения недостатков. По оценкам отчета Gartner, в ближайшие два года ИИ будет работать в половине всех центров обработки данных. Отчет IDC за 2019 год предполагает, что это, возможно, уже произошло. Загрузка будет увеличиваться на 20% в годовом исчислении, поэтому это актуальная проблема.

Ян Клатуорти, директор по маркетингу продуктов платформы данных в Hitachi Vantara, и Эрик Шварц, вице-президент по разработке DataBank, рассказывают о возможностях и ограничениях решений искусственного интеллекта в центрах обработки данных.

Чтобы создать и откалибровать полезные инструменты искусственного интеллекта, центры обработки данных должны собирать и вводить соответствующие данные. Это оказалось непростой задачей, поскольку определенные типы данных, которые исторически не были полезны в повседневной работе, просто игнорировались. Некоторые могут быть собраны, но не использованы. А некоторые вообще не собираются, а это означает, что операторам приходится начинать с нуля или экстраполировать существующие данные.

Необходимые данные об оборудовании включают в себя: доступное хранилище, простоту доступа, количество компьютеров, работающих в данный момент, и машины, на которые направляется трафик при любых данных обстоятельствах. Также важны данные, касающиеся энергии, затраченной на питание машин и охлаждение, а также соответствующие данные об условиях окружающей среды внутри и за пределами центра.

«Чтобы создать правильную систему искусственного интеллекта машинного обучения, вам понадобится все это, чтобы действительно повысить эффективность. Все это имеет значение», — говорит Шварц. «Каждая из этих точек данных может исказить другую».

На самом деле ИИ может быть полезен в первую очередь при сборе этой информации. Интеллектуальный анализ данных может извлечь полезные данные, спрятанные в, казалось бы, несвязанной статистике, при наличии правильных инструкций. По словам Клэтворти, когда правильные данные упорядочены, они могут «фактически представлять информацию так, чтобы она что-то значила».

Использование энергии серверами является основной целью вмешательства ИИ. Неиспользуемые серверы остаются включенными, а входящий трафик неэффективно распределяется по доступному оборудованию. Механизмы управления планированием могут использовать глубокое обучение для правильного направления трафика. Его можно распределить по доступным машинам таким образом, чтобы оптимально использовать их возможности, но не перегружать их.

А затем неиспользуемые машины можно отключать до тех пор, пока они не потребуются. А еще лучше, говорит Клэтворти: «Мы можем выключить процессор. Выключая вещи, вы тратите меньше энергии». Он считает, что включение и выключение машин также неэффективно.

Можно предвидеть структуру трафика, что позволяет более экономно использовать оборудование. Таким образом, повышается эффективность использования энергии (PUE). ИИ может помочь в масштабировании этих процессов по мере увеличения рабочей нагрузки.

Дополнительную эффективность можно повысить за счет профилактического обслуживания. «Понимая исторические данные о проблемах с компонентами или графиках технического обслуживания и связывая их с бюджетными ассигнованиями, организации могут использовать ИИ для создания прогнозных моделей», — говорит Клэтворти.

Используя данные для определения вероятности возникновения сбоев, можно упростить создание соответствующих резервных копий. Установка исправлений и обновлений, которые являются обременительными и трудоемкими, также можно в некоторой степени автоматизировать. А вышедшие из строя машины можно заменить или отремонтировать до того, как они вызовут перебои в работе.

Управление источниками энергии также может получить выгоду от ИИ. Определяя, когда возобновляемые источники наиболее доступны (ветренные дни для энергии ветра, солнечные дни для солнечной энергии), центры обработки данных могут определить, когда они будут получать энергию из этих источников, а когда они прибегнут к менее желательным источникам электроэнергии, полученным из ископаемого топлива. Отходящее тепло можно перенаправить и использовать либо внутри самого центра, либо на близлежащих объектах.