Novice

Podatkovni centri, hlajenje in umetna inteligenca

12 apr 2018

Umetna inteligenca

Da je umetna inteligenca v porastu je skorajda podcenjevanje. Praktično vsak dan vidimo nove aplikacije podatkovne znanosti („data science“) v najrazličnejši sektorjih.
Strojno učenje („machine learning“) omogoča analizo nepredstavljive količine podatkov hitreje kot kdaj koli prej. Algoritmi sami napišejo nove algoritme in se izboljšujejo – dobesedno – čez noč. Vsako noč.

Kakšno je trenutno stanje?

IBM-ov super računalnik Deep Blue je že več kot 10 let nazaj premagal najboljšega šahista Garry-ja Kasaparova. Lani je Google-ov super računalnik DeepMind in njegov program AlphaGo, v igrici Go premagal svetovnega prvaka Lee Sedol-a. Na začetku letošnjega leta so na Univerzi Carnegie Melon razvili program Libratus, ki je na osnovi umetne inteligence in strojnega učenja premagal štiri svetovno najboljše igralce v igri texas Hold’em pokerju brez omejitev.


Posebnost slednjega je, da gre za igro, v kateri so na voljo nepopolne informacije – to pomeni, da niso znane vse spremenljivke za optimalno odločanje – kjer je tudi za računalnik zelo težko napovedati optimalno strategijo igre nasprotnika.

In medtem ko zgornji primeri zvenijo kot zabavne aplikacije umetne inteligence iz popularne kulture, so prav ti primeri osnova za poslovno implementiranje umetne inteligence v zelo realne namene. Trenutno je največ govora o avtonomni vožnji – vožnji avtomobilov brez vpletenosti voznika.

 

  Ameriški izdelovalec avtomobilov Tesla je vodilno podjetje na področju implementacije tehnologije za avtonomno vožnjo. Teslina vozila bodo kmalu serijsko opremljena s senzorji in ostalo potrebno strojno opremo za vožnjo brez posredovanja voznika. S pomočjo globokega strojnega učenja želi Tesla zagotovit na cesti varnost, ki je večja od te, ki jo za volanom lahko vzdržuje človek.

V nadaljevanju vam predstavljamo primer, iz katerega je razvidno, da sta klimatizacija in hlajenje na seznamu panog, ki jih prav tako lahko revolucioniramo s pomočjo umetne inteligence in globokega strojnega učenja.

Poraba energije v podatkovnih centrih v številkah
Hlajenje podatkovnih centrov oziroma prostorov za strežnike, kjer se obdeluje izjemno velike količine podatkov, ima velike potrebe po energiji. Zaradi tega hlajenje podatkovnih centrov predstavlja večini podjetij “glavobol”.


V 2014 so v ZDA podatkovni centri porabili 70 milijard kWh energije – kar ustreza napajanju več kot 6 milijonov stanovanjskih hiš za obdobje enega leta.
V porabi energije slednje predstavlja pomemben preobrat:

  • Od 2000 do 2005 je poraba zrasla za 90 %,
  • Od 2005 do 2010 je poraba zrasla za 24 %,
  • Od 2010 do 2014 je poraba zrasla za 4 %.

Pričakovana porast porabe energije v letih od 2014 do 2020 je 4 % na leto (Vir: Berkley Lab)

 

Učinkovitejše hlajenje podatkovnih centrov s pomočjo umetne inteligence

Ni naključje, da je Facebook je zgradil enega od svojih podatkovnih centrov na robu Arktičnega kroga. Slednje so naredili z namenom, da lahko znižajo stroške za vzdrževanje podatkovnega centra in so tako prijaznejši do okolja.


Toda Google je pri tem šel še korak dalje. S pomočjo strojnega učenja je izboljšal stroške za vzdrževanje (hlajenje) in povišal donosnost objekta. S pomočjo umetne inteligence in prediktivnih algoritmov je Google-ov super računalnik DeepMind znižal porabo energije v delih podatkovnih centrov.

Rezultat je osupljiv. Pri Googleu so potrdili, da se je poraba energije za hlajenje – po aplikaciji njihovega pametnega algoritma – znižala za kar 40 %.


Po obračunu “električnih izgub in drugih porabnikov, ki ne izhajajoiz hlajenja“ je ta 40-odstotni prihranek pri energiji za hlajenje podatkovnega centra zaslužen za 15-odstotno znižanje porabe energije na ravni celotne zgradbe.

Slednje je velik napredek ob dejstvu, da tak prihranek izhaja iz programske opreme in ne iz izboljšane strojne opreme.

Kako jim je to uspelo?

Raziskovalci iz oddelka DeepMind so izboljšali uporabnost Sistema tako, da so uporabili sistem t.i. globokih nevronskih mrež, ki so jih trenirali z različnimi scenariji in parametri delovanja. Na tak način so ustvarili učinkovitejši in bolj prilagodljiv okvir za razumevanje energetskih potreb podatkovnih centrov in njihove dinamike. Slednje je bila podlaga za optimizacijo učinkovitosti.

To so storili tako, da so natančno zajemali zgodovinske podatke, ki so jih izbirali z več kot 1000 različnimi senzorji oz. tipali (senzorji temperature, tipala vlage, senzorji tlaka, tipala pretoka, preklopa, senzorji tlaka ipd.) znotraj in zunaj podatkovnega centra.


Med zajete te podatke sodijo:

  • temperature,
  • moč,
  • hitrosti črpalk,
  • trenutne vrednosti, željene vrednosti in številne druge.

S temi podatki so »trenirali« skupek povezanih globokih nevronskih mrež. Gre za učenje na podlagi preizkušanja, s čimer računalnik pride do razumevanja in pametnejšega informiranega predvidevanja.

Nevronske mreže so trenirali na osnovi povprečne učinkovitosti porabe v prihodnosti (average future Power Usage Effectiveness – PUE).
PUE = definirano kot razmerje med celotno porabo energije v stavbi in porabo energije za IT.


Nato so trenirali dva dodatna ansambla nevronskih mrež, na osnovi katerih so simulirali oz. predvidevali prihodnjo temperaturo in tlak v podatkovnem centru v naslednji uri.


Namen teh napovedi je bil simulirati priporočene ukrepe iz modela PUE, da bi zagotovili, da slučajno ne presegajo kakšnih operativnih omejitev.
Po tem so ta model aplicirali na dejanski podatkovni center. V spodnjem grafu je mogoče videti tipičen dan testiranja.


Krivulja se je znatno zmanjšala, ko so vklopili priporočila na osnovi strojnega učenja (Machine Learning – ML) in ponovno znatno zvišala, ko so izključili priporočila na osnovi strojnega učenja.

 

 

Širši vpliv na družbo in okolje

S pomočjo algoritma za strojno učenje lahko Google dosledno doseže 50-odstotno zmanjšanje količine energije, porabljene za hlajenje.
Še bolj vznemirljivo je, da ta kompleksni algoritem spada pod umetno inteligenco s splošnim namenom uporabe (t.i. general purpose AI), ki je v vseh pogledih naprednejši, sposobnejši in bolj avtonomen, kot so primeri umetne inteligence z ozkim namenom (t.i. narrow-purpose framework), med katere sodi avtonomna vožnja.
Umetna inteligenca s splošnim namenom je uporabna pri reševanju izjemno zapletenih problemov in jo je mogoče uporabiti tudi za druge izzive znotraj podatkovnega centra kakor tudi na drugih – nepovezanih – področjih.


Učinek postane še bolj otipljiv, če pomislimo, da ima Google po vsem svetu razpršenih 12 enormno velikih podatkovnih centrov v katerih je shranjenih 900.000 strežnikov – ki vsi generirajo višek toplote.


Googlevi podatkovni centri skupaj generirajo 260 milijonov vatov energije, kar znaša 0,01 % vse energije na svetu. Slednje je enako 200.000 povprečnim stanovanjskim hišam s konstantnim napajanjem.

Poleg tega si Google lasti še ogromno drugih stavb, kjer lahko prav tako izrabi pametni energetsko varčni algoritem za prihranek energije. Toda zastavili so si še bolj ambiciozen cilj. Ekipa DeepMind želi algoritem še razširiti, deliti z drugimi ter znanje in izkušnje prenesti naprej. Algoritem, ki jim je omogočil zmanjšanje porabe energije, želijo spremeniti v »izdelek«, katerega uporabo bodo omogočili tudi drugim podatkovnim centrom in tudi tistim, ki jim slednje lahko pride prav v industrijske namene.


Če slednje združimo še z napravami, ki so npr. namenjene prav hlajenju strežniških prostorov v podatkovnih centrih, lahko dosežemo še višji prihranek energije. To je mogoče, ker takšni hladilni sistemi razpolagajo z indirektnim prostim hlajenjem ter adiabatskim hlapilnim hlajenjem – kar predstavlja princip hlajenja, ki je preslikan iz narave.

Zeleni inženiring gre lahko še celo korak dlje. Primer pozitivne inženirske prakse je tudi hlajenje s pomočjo morske vode. Najvarčnejši Google-ov podatkovni center je v Hamini na Finskem, kjer za hlajenje izrabljajo morsko vodo iz Finskega zaliva z namenom zmanjšanja potrebe po hladilni energiji. 

Strojno učenje in posel – bližnja prihodnost vsakega podjetja


Za podjetje, ki želi dolgoročen uspeh, je ključno, da začne čim prej raziskovati nastajajoče prakse umetne inteligence. Zato je že danes smiselno rekrutirati podatkovne znanstvenike in podatkovne analitike, ki znajo izbrati prava vprašanja in identificirati tiste pereče probleme, ki jih je vredno rešiti.


David, ki lahko premaga Goljata razume, da se bo do naslednje zmage prebil na osnovi podatkov.

Naročite se na e-novice

Prijavite se na Bisnode e-novice in ostanite na tekočem s trendi v svetu pametnih odločitev.