DeepMind ser lovende AI-resultater for datacenterkølesystem

Tilbage i marts, 3M holdt en præsentation om data, minde os om, at der ikke ville være noget som en opbremsning af data, og stillede så spørgsmålet, Okay, så hvordan sluger vi det og forestiller os samtidig en bæredygtig fremtid? Linket:datacentre og de udfordringer, de udgør for at blive ved med at køre og mere miljøvenlige.

Præsentationen gav en medrivende tanke. "Der er blevet skabt flere data i de sidste to år end nogensinde før i menneskehedens historie."

Vi taler ikke kun om søde katte, der sidder i kasser eller rappere med modeller, så parker den. Vi taler om data i kirurgi, daglige antal ændringer, der påvirker landmandens afgrøder, trafikstøtte, kriseadvarsler af alle slags. Datacentrene er afgørende for vores evne til at kommunikere.

Amerikanske datacentre i USA bruger niveauer af energi, der er svimlende for de uindviede.

"Opbevaring, bevæger sig, forarbejdning, og at analysere data kræver alt energi. Masser af det. Processorerne i de største datacentre brummer med så meget energi, som et stort kraftværk kan levere, 1, 000 megawatt eller mere. Og det kan tage lige så meget energi igen at holde serverne og de omkringliggende bygninger fra overophedning, " som YaleEnvironment360 Læg det.

3M-præsentationen bemærkede, at 38 procent af elektricitetsbehovet i datacentre kun er at afkøle elektronikken.

Over på DeepMind, de har arbejdet hen imod en køleløsning. DeepMind-bloggen sagde, "Hos DeepMind og Google, vi tror på, at hvis vi kan bruge AI som et værktøj til at opdage ny viden, løsninger bliver nemmere at nå." Med den mission, de har kigget på, hvordan kunstig intelligens kan træde til for at styre køling af datacenter.

De fik AI til at lære at justere et kølesystem for at reducere strømforbruget. Datacentres energiforbrug er faldet som følge heraf.

Bag succesen med deres system var feedback fra datacenteroperatører, der havde noget oven på deres ønskeliste:For meget operatørindsats og overvågning, der kræves til afkøling af datacenter, fik dem til at spørge, om noget kunne gøres uden så meget manuel implementering og stadig opnå energibesparelser?

Nyheden er, at Google sætter en selvlært algoritme til at styre en del af sin infrastruktur.

Amanda Gasparik, Google datacenteringeniør, Chris Gamble og Jim Gao, de to sidstnævnte af DeepMind, skrev om indsatsen i DeepMind-bloggen—autonom datacenterkøling. Rent faktisk, indsatsen startede for et stykke tid tilbage.

MIT Technology Review givet lidt historie:"I løbet af de sidste par år, Google har testet en algoritme, der lærer, hvordan man bedst justerer kølesystemer – blæsere, ventilation, og andet udstyr - for at sænke strømforbruget. Dette system har tidligere givet anbefalinger til datacenterledere, hvem skal beslutte, om de skal implementeres eller ej, fører til energibesparelser på omkring 40 procent i disse kølesystemer."

Det var "menneskeligt implementerede" anbefalinger.

Nyheden er, at et system, der arbejder på i 2016, er et andet niveau. Dengang, målene var grundlæggende, gunning for (1) energibesparelser og (2) en reduktion i CO2-udledningen.

Nu kommer 2018-tvistet:De annoncerede "vores AI-system styrer direkte køling af datacenter."

Nu i "flere" Google-datacentre. systemet har kun været på plads i få måneder, men bloggen hævdede tegn på, at systemet allerede leverede energibesparelser på omkring 30 procent - og yderligere forbedringer forventes.

Hvorfor forventer de yderligere forbedringer? Husk, dette er AI. "Det er fordi disse systemer bliver bedre med tiden med flere data, " AI kan gå turen. "Regler bliver ikke bedre med tiden, men det gør AI, " erklærede Dan Fuenffinger, en af ​​Googles datacenteroperatører, i bloggen.

Hvad mente han med det? "AI-kontrolsystemet finder endnu flere nye måder at styre køling på, som har overrasket selv datacenteroperatørerne." Fuefinnger bemærkede, at han så AI "lære at drage fordel af vinterforhold og producere koldere end normalt vand, hvilket reducerer den energi, der kræves til køling i datacentret."

Will Knight rapporterede om et optimistisk hold. "DeepMind fodrede sin nye algoritmeinformation indsamlet fra Googles datacentre og lod den bestemme, hvilke kølekonfigurationer der ville reducere energiforbruget. Projektet kunne generere millioner af dollars i energibesparelser og kan hjælpe virksomheden med at sænke sine kulstofemissioner, siger Joe Kava, vicepræsident for datacentre for Google." Ikke desto mindre, nogle vil måske føle, at dette er et stort spil i at placere et datacenter, med alle dets missionskritiske forventninger, i hænderne på en algoritme.

Intet menneskeligt element overhovedet? Ja, der er en menneskelig spiller. Blogforfatterne sagde, at deres datacenteroperatører "altid har kontrol og kan vælge at forlade AI-kontroltilstand til enhver tid. I disse scenarier, kontrolsystemet vil uden problemer overføres fra AI-kontrol til reglerne og heuristikken på stedet, der definerer automationsindustrien i dag." Kort sagt, den menneskelige tilsidesættelse er altid tilgængelig – og designet til at erstatte enhver AI-handling.

Hvordan fungerer deres system?

"Hvert femte minut, vores skybaserede AI trækker et øjebliksbillede af datacenterets kølesystem fra tusindvis af sensorer og fører det ind i vores dybe neurale netværk, som forudsiger, hvordan forskellige kombinationer af potentielle handlinger vil påvirke det fremtidige energiforbrug. AI-systemet identificerer derefter, hvilke handlinger der vil minimere energiforbruget, samtidig med at det opfylder et robust sæt sikkerhedsbegrænsninger. Disse handlinger sendes tilbage til datacentret, hvor handlingerne verificeres af det lokale kontrolsystem og derefter implementeres."

Deres design involverer AI-agenter og en kontrolinfrastruktur for sikkerhed og pålidelighed,

De sagde, at de bruger otte mekanismer til at sikre, at systemet opfører sig korrekt.

En af dem er, at AI kan bruges til at estimere usikkerhed. For hver potentiel handling beregner deres AI-agent sin tillid til, at dette er en god handling. Handlinger med lav tillid er elimineret fra overvejelse. Så er der to-niveau verifikation, hvor et lokalt kontrolsystem verificerer instruktionerne i forhold til sit eget sæt af begrænsninger.

© 2018 Tech Xplore