Članci

Centri za obradu podataka, hlađenje i vještačka inteligencija

17 apr 2018

Vještačka inteligencija
Gotovo je podcjenjivački reći da je umjetna inteligencija u porastu. Praktično svakog dana vidimo nove primjene nauke o podacima („data science”) u najrazličitijim segmentima.
Mašinsko učenje („machine learning”) omogućava analizu nezamislive količine podataka najbrže do sada. Algoritmi sami pišu nove algoritme i unaprjeđuju se doslovno preko noći. Svake noći.
 

Kakvo je trenutno stanje?

IBM-ov super računar Deep Blue je još prije više od 10 godina savladao najboljeg šahistu Gerija Kasparova. Prošle godine je Google-ov super računar DeepMind i njegov program AlphaGo u igrici Go svladao svjetskog prvaka Leeja Seedola. Početkom ove godine su na Univerzitetu Carnegie Melon razvili program Libratus, koji je na osnovu vještačke inteligencije i mašinskog učenja svladao četiri najbolja igrača na svijetu u igri texas Hold’em poker 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 računaru jako teško predvidjeti optimalnu strategiju igre protivnika.

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

 Autonomna vožnja na osnovu mašinskog učenja. Izvor: Tesla


Američki proizvođač automobila Tesla je vodeća kompanija u oblasti primjene tehnologije za autonomnu vožnju. Teslina će vozila uskoro biti opremljena senzorima i ostalim potrebnim hardverom za vožnju bez intervencije vozača. Pomoću dubokog mašinskog 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 mašinskog učenja.


Potrošnja energije u centrima za obradu podataka u brojkama

Hlađenje centara za obradu podataka, odnosno prostorija za servere, u kojima se obrađuju izuzetno velike količine podataka, ima i velike potrebe za energijom. Zbog toga hlađenje centara za obradu podataka za većinu podataka predstavlja „glavobolju”.
U 2014. godini u SAD centri za obradu podataka su potrošili 70 milijardi kWh energije – što odgovara napajanju preko 6 miliona stambenih kuća u periodu od godinu dana.
Za potrošnju energije ovo predstavlja važan preokret:
•    Od 2000. do 2005. potrošnja je porasla za 90%,
•    Od 2005. do 2010. potrošnja je porasla za 24%,
•    Od 2010. do 2014. potrošnja je porasla za 4%.
Očekivani rast potrošnje energije od 2014. do 2020. je 4% godišnje (Izvor: Berkley Lab)

Prostor za servere kompanije Facebook. Izvor: Facebook.


Efikasnije hlađenje centara za obradu podataka pomoću vještačke inteligencije

Facebook nije slučajno izgradio jedan od svojih centara podataka na ivici arktičkog kruga. To su uradili s namjerom da snize troškove održavanja centra za obradu podataka i tako pokazali da odgovorno postupaju u odnosu s okolišem.
Google je pritom otišao korak dalje. Pomoću mašinskog učenja smanjio je troškove održavanja (hlađenje) i povećao profitabilnost objekta. Koristeći umjetnu inteligenciju i prediktivne algoritme Googleovo super računar DeepMind smanjio je potrošnju energije u dijelovima centra za obradu podataka.

Rezultat je zapanjujući. Kompanija Google je potvrdila da se potrošnja energije za hlađenje – prema primjeni njihovog pametnog algoritma – snizila za čak 40%.
Prema obračunu „električnih gubitaka i drugih potrošača koji ne potiču od hlađenja”, ta ušteda od 40% energije za hlađenje centra za obradu podataka zaslužna je za smanjenje potrošnje energije na nivou cijele zgrade za 15%.

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 odjeljenja DeepMind poboljšali su iskorištenost sistema tako što su upotrebili sistem tzv. dubokih neuronskih mreža, koje su provjeravali pomoću različitih scenarija i parametara rada. Na ovaj način su napravili efikasniji i prilagodljiviji okvir za razumijevanje energetskih potreba centara za obradu podataka i njihove dinamike. To je bila osnova za optimizaciju efikasnosti.

To su postigli tako što su precizno obuhvatili istorijske podatke koje su izabrali pomoću više od 1000 različitih senzora (senzori temperature, senzori vlage, senzori pritiska, senzori protoka, prebacivanja, senzori pritiska itd.) unutar i izvan centra za obradu podataka.
U obuhvaćene podatke spadaju:
•    temperature,
•    snaga,
•    brzina pumpi,
•    trenutne vrijednosti, željene vrijednosti i brojne druge.

Pomoću ovih podataka „trenirali” su skup povezanih dubokih neuronskih mreža. Radi se o učenju na osnovu ispitivanja, pomoću čega računar dolazi do razumijevanja i pametnijeg informisanog predviđanja.

Neuronske mreže su trenirali na osnovu prosječne efikasnosti potrošnje u budućnosti (average future Power Usage Effectiveness – PUE).
PUE = definisano kao odnos između cjelokupne potrošnje energije u zgradi i potrošnje energije za IT.
Zatim su trenirali dva dodatna skupa neuronskih mreža, na osnovu kojih su simulirali odnosno predviđali buduću temperaturu i pritisak u centru za obradu podataka za slijedeći sat.

Cilj ovih prognoza bio je simulacija preporučenih mjera iz modela PUE da bi osigurali da slučajno ne premaše neka operativna ograničenja.

Nakon toga su ovaj model primjenili na stvarni centar za obradu podataka. U donjem grafikonu moguće je vidjeti tipičan dan testiranja.
Krivulja se znatno smanjila kada su uključili preporuke na osnovu mašinskog učenja (Machine Learning – ML) i ponovo znatno povećala kada su isključili preporuke na osnovu mašinskog učenja.

 Grafikon potrošnje na osnovu uključivanja/isključivanja upravljanja na osnovu mašinskog učenja. Izvor: Deepmind, Google.


Širi uticaj na društvo i okruženje

Pomoću algoritma za mašinsko učenje Google može dosljedno ostvariti umanjenje od 50% količine energije potrošene za hlađenje.

Još uzbudljivije je to što ovaj kompleksni algoritam spada u vještačku inteligenciju s opštom namjenom upotrebe (tzv. general purpose AI), koja je u svim aspektima naprednija, sposobnija i autonomija nego što su primjeri vještačke inteligencije s uskom namjenom (tzv. narrow-purpose framework), u koje spada i autonomna vožnja.
Vještačka inteligencija s opštom namjenom je korisna prilikom rješavanja izuzetno komplikovanih problema i moguće ju je iskoristiti i za druge izazove unutar centra za obradu podataka, kao i u drugim, nepovezanim oblastima.

Efekat postaje još opipljiviji ako pomislimo na to da Google širom svijeta ima 12 enormno velikih centara za obradu podataka u kojima je sačuvano 900.000 servera – koji svi generiraju višak toplote.

Centri za obradu podataka kompanije Google generiraju 260 miliona vati energije, što iznosi 0,01% ukupne energije na svijetu. Ovo je ekvivalentno konstantnom napajanju 200.000 prosječnih stambenih kuća.
 
Pored toga, Google posjeduje mnogo drugih zgrada, gdje takođe može iskoristiti pametni energetski efikasni algoritam za uštedu energije. Međutim, sebi su postavili još ambiciozniji cilj. Tim DeepMind želi da proširi algoritam i podjeli s drugima znanje i iskustva. Algoritam koji im je omogućio smanjenje potrošnje energije žele da pretvore u „proizvod”, čiju će upotrebu omogućiti i drugim centrima za obradu podataka, kao i onima koji to mogu da iskoriste u industrijske svrhe.

Ako se to kombinuje s uređajima koji npr. služe baš za hlađenje prostorija s serverima u centrima za obradu podataka, može se postići još veća ušteda energije. To je moguće zato što ovakvi rashladni sistemi raspolažu indirektnim jednostavnim hlađenjem i adijabatskim evaporativnim hlađenjem – što je princip hlađenja koji je preslikan iz prirode.
 

Primer energetski efikasnog uređaja za hlađenje centara za obradu podataka. Izvor: Menerga.

Zeleni inženjering može čak ići korak dalje. Primjer pozitivne inženjerske prakse je i hlađenje pomoću morske vode. Najštedljiviji centar za obradu podataka kompanije Google nalazi se u Hamini u Finskoj, gdje za hlađenje koriste morsku vodu iz Finskog zaljeva, čime se smanjuje potreba za energijom za hlađenje.

 
Mašinsko učenje i posao - bliska budućnost svake kompanije
Za kompaniju koja želi dugoročan uspjeh, od ključnog je značaja da što prije počne istraživati prakse vještačke inteligencije u nastajanju. Zbog toga danas ima smisla regrutovati naučnike za podatke i analitičare podataka, koji znaju postaviti prava pitanja i identifikovati goruće probleme, koje treba rješavati.

David koji može da savlada Golijata zna da će do slijedeće pobjede doći na osnovu podataka.