Traži
Članci

Podatkovni centri i umjetna inteligencija

16 tra 2018

Gotovo je podcjenjivački reći da je umjetna inteligencija u porastu. Skoro svaki dan vidimo nove primjene podatkovne znanosti („data science”) u najrazličitijim područjima.

Strojno učenje („machine learning”) omogućuje analizu nezamislive količine podataka brže nego ikad prije. Algoritmi sami pišu nove algoritme i poboljšavaju se – doslovno – preko noći. Svake noći.


Kakvo je trenutno stanje?
IBM-ovo super računalo Deep Blue prije više od 10 godina pobijedilo je najboljeg šahista Garija Kasparova. Prošle godine Googleovo je super računalo DeepMind i njegov program AlphaGo u igrici Go pobijedio svjetskog prvaka Leeja Seedola. Početkom prošle godine na sveučilištu Carnegie Melon razvili su program Libratus koji je na temelju umjetne inteligencije i strojnog učenja pobijedio četiri najbolja igrača u igri Texas Hold’em pokeru bez limita.

Igra je posebna po tome što igrač ima na raspolaganju nepotpune informacije – to znači da nisu poznate sve varijable za optimalno odlučivanje – pa je i računalu jako teško predvidjeti optimalnu strategiju igre protivnika.

Unatoč tome što navedeni primjeri zvuče kao zabavna primjena umjetne inteligencije iz popularne kulture, upravo su oni osnova za poslovnu implementaciju umjetne inteligencije u jako realne svrhe. Trenutno se najviše govori o autonomnoj vožnji – vožnji automobila bez sudjelovanja vozača.

 

Autonomna vožnja na temelju strojnog učenja. Izvor: Tesla

Američki proizvođač automobila Tesla vodeća je tvrtka na području implementacije tehnologije za autonomnu vožnju. Teslina će vozila uskoro biti opremljena senzorima i ostalim potrebnim hardverom za vožnju bez intervencije vozača. Pomoću dubokog strojnog učenja Tesla na cesti želi ponuditi sigurnost koja je veća od one koju za volanom može ponuditi čovjek.
U nastavku vam donosimo primjer koji pokazuje da su klima i hlađenje na popisu grana koje također možemo revolucionirati uz pomoć umjetne inteligencije i dubokog strojnog učenja.
 
Potrošnja energije u podatkovnim centrima u brojkama
Hlađenje podatkovnih centara, odnosno prostorija za poslužitelje na kojima se obrađuju izuzetno velike količine podataka ima velike potrebe za energijom. Zbog toga hlađenje podatkovnih centara većini tvrtki uzrokuje „glavobolje”.

U 2014. godini su u SAD-u podatkovni centri potrošili 70 milijardi kWh energiješto odgovara opskrbi više od 6 milijuna stambenih kuća u razdoblju od jedne godine.
U potrošnji energije sljedeća činjenica predstavlja važnu prekretnicu:
•    od 2000. do 2005. godine potrošnja je porasla za 90 %,
•    od 2005. do 2010. godine potrošnja je porasla za 24 %,
•    od 2010. do 2014. godine potrošnja je porasla za 4 %.
Očekivani porast potrošnje energije u razdoblju od 2014. do 2020. godine je 4 % godišnje (izvor: Berkley Lab)


   Prostorija za poslužitelje tvrtke Facebook. Izvor: Facebook.

 

Učinkovitije hlađenje podatkovnih centara uz pomoć umjetne inteligencije
Facebook nije slučajno jedan od svojih podatkovnih centara izgradio na rubu Arktičkog kruga. To su učinili s namjerom smanjenja troškova održavanja podatkovnog centra i tako pokazali da odgovorno postupaju u odnosu s okolišem.

Google je pritom otišao korak dalje. Pomoću strojnog učenja smanjio je troškove održavanja (hlađenje) i povećao profitabilnost objekta. Koristeći umjetnu inteligenciju i prediktivne algoritme Googleovo super računalo DeepMind smanjilo je potrošnju energije u dijelovima podatkovnih centara.

Rezultat je zapanjujući. U Googleu su potvrdili da se potrošnja energije za hlađenje – nakon primjene njihovog pametnog algoritma – smanjila za oko 40 %.
Prema obračunu „električnih gubitaka i drugih potrošača koji ne proizlaze iz hlađenja” ta 40-postotna ušteda energije za hlađenje podatkovnog centra zaslužna je za 15-postotno smanjenje potrošnje energije na razini cijele zgrade.

To je veliki napredak s obzirom na činjenicu da takva ušteda nije nastala zbog softvera niti zbog poboljšanog hardvera.
 

Kako im je to uspjelo?

Istraživači iz odjela DeepMind poboljšali su upotrebljivost sustava tako da su upotrijebili sustav tzv. dubokih neuronskih mreža koje su trenirali s različitim scenarijima i parametrima djelovanja. Na taj su način stvorili učinkovitiji i prilagodljiviji okvir za razumijevanje energetskih potreba podatkovnih centara i njihove dinamike. To je bio temelj za optimizaciju učinkovitosti.

Učinili su to tako što su obuhvatili povijesne podatke koje su prikupili s više od 1000 različitih senzora ili osjetnika (senzori temperature, osjetnici vlage, senzori tlaka, osjetnici protoka, senzori prekidača, senzori tlaka itd.) unutar i izvan podatkovnog centra.

Obuhvatili su podatke o:
•    temperaturi,
•    snazi,
•    brzini crpke,
•    trenutnoj vrijednosti, željenoj vrijednosti i brojne druge podatke.

Tim podacima su „trenirali” skup povezanih dubokih neuronskih mreža. Radi se o učenju na temelju testiranja, čime računalo dolazi do razumijevanja i pametnijeg informiranog predviđanja.

Neuronske su mreže trenirali na temelju prosječne učinkovitosti potrošnje u budućnosti (average future Power Usage Effectiveness – PUE).
PUE = definiran kao odnos između ukupne potrošnje energije u zgradi i potrošnje energije za IT.
Zatim su trenirali dva dodatna ansambla neuronskih mreža, na temelju čega su simulirali, odn. predvidjeli buduću temperaturu i tlak u podatkovnom centru u sljedećem satu.
Svrha tih predviđanja bila je simulacija preporučenih mjera iz PUE modela kako bi se osiguralo da ne bi slučajno prešli neka operativna ograničenja.
Zatim su taj model primijenili na stvarni podatkovni centar. U donjem grafikonu možete vidjeti tipičan dan testiranja.
Krivulja se značajno smanjila kada su uključili preporuke na temelju strojnog učenja (Machine Learning – ML) i ponovo značajno povećala kada su isključili preporuke na temelju strojnog učenja.

 

 Grafikon potrošnje na temelju uključivanja/isključivanja strojnog učenja. Izvor: DeepMind, Google.

 

Širi utjecaj na društvo i okoliš
Pomoću algoritma za strojno učenje Google može ostvariti dosljedno 50-postotno smanjenje količine energije, utrošene na hlađenje.
Još uzbudljivije je to da taj kompleksni algoritam spada u umjetnu inteligenciju s općom namjenom (tzv. general purpose AI) koja je u svakom pogledu naprednija, sposobnija i autonomnija od primjera umjetne inteligencije s uskom namjenom (tzv. narrow-purpose framework) u koje spada autonomna vožnja.
Umjetna inteligencija s općom namjenom primjenjiva je i u rješavanju izuzetno složenih problema pa se tako može koristiti i za druge izazove unutar podatkovnog centra, kao i na drugim – nepovezanim – područjima.
Učinak postaje još opipljiviji, ako se sjetimo da Google ima po cijelom svijetu raspršeno 12 izuzetno velikih podatkovnih centara u kojima se nalazi 900 000 poslužitelja – koji svi stvaraju višak topline.
Googleovi podatkovni centri zajedno stvaraju 260 milijuna vata energije, što iznosi 0,01 % kompletne energije na svijetu. To odgovara vrijednosti koja je odnosi na 200 000 konstantno napajanih prosječnih stambenih kuća.
 

 

Osim toga, Google je vlasnik i mnogih drugih zgrada u kojima također može koristiti pametni algoritam za uštedu energije. No, postavili su si još jedan ambiciozniji cilj. Tim DeepMind želi algoritam proširiti, dijeliti s drugima te znanje i iskustvo prenijeti dalje. Algoritam koji im je omogućio smanjenje potrošnje energije žele pretvoriti u „proizvod” čije korištenje će omogućiti i drugim podatkovnim centrima i onima koji ga mogu iskoristiti u industrijske svrhe.

Ako se to kombinira s uređajima koji npr. služe baš za hlađenje prostorija s poslužiteljima u podatkovnim centrima, može se postići još veća ušteda energije. To je moguće jer takvi sustavi za hlađenje raspolažu indirektnim jednostavnim hlađenjem i adijabatskim evaporativnim hlađenjem – što je princip hlađenja koji je preslikan iz prirode.

 

Primjer energetski učinkovitog uređaja, napravljenog za hlađenje podatkovnih centara. Izvor: Menerga.

Zeleni inženjering može ići čak i korak dalje. Primjer pozitivne inženjerske prakse je i hlađenje s pomoću morske vode. Najštedljiviji Googleov podatkovni centar nalazi se u Hamini u Finskoj, gdje se za hlađenje koristi morska voda iz Finskog zaljeva, čime se smanjuje potreba za energijom za hlađenje.
 
Strojno učenje i posao – bliska budućnost svake tvrtke
Za tvrtku koja želi dugotrajan uspjeh ključno je čim prije početi istraživati upotrebu umjetne inteligencije u nastajanju. Zato je već danas pametno zaposliti podatkovne znanstvenike i podatkovne analitičare koji znaju izabrati prava pitanja i identificirati one goruće probleme koje valja rješavati.

David, koji može poraziti Golijata, shvaća da će do sljedeće pobjede doći na temelju podataka.