شرکت گوگل با استفاده از فناوری هوش مصنوعی و ابزار DeepMind توانسته  است مصرف انرژی برای تامین سرمایش مراکز داده خود را تا ۴۰ درصد کاهش دهد.  به نظر می‌رسد این خبر سرآغاز فصل جدیدی در صنعت شبکه و مرکز داده باشد.  زیرا از این پس کسب‌وکارها می‌توانند با کمک هوش مصنوعی و فناوری‌های  یادگیری ماشینی و یادگیری عمیق، مراکز داده کارآمدتری بسازند.

                                

همان‌طور که کسب‌وکارها و شرکت‌های بسیار زیادی در سراسر دنیا به سوی  فناوری‌های کلاود حرکت کرده­‌اند و اطلاعات خود را روی بسترهای کلاود  ذخیره‌سازی می‌کنند.

کم‌کم در بازار شاهد این گرایش هستیم که کسب‌وکارها نیازمند مراکز داده  هوشمندتر هستند و بدان به عنوان بخشی از طرح و برنامه آینده‌شان نگاه  می‌کنند. هزینه‌های عملیاتی مراکزداده بسیار بالا است و بخش مهمی از این  هزینه‌های عملیاتی روزانه مربوط به سرمایش تجهیزات و سرورهای مرکزداده است.  به‌طوری‌که این موضوع اکنون به یک چالش بزرگ تبدیل شده است.

شروع ماجرا

اخیرا؛ گوگل فناوری DeepMind را برای هوشمندسازی  بیشتر مراکزداده معرفی کرد که روی هوش مصنوعی متمرکز است و با استفاده از  یادگیری ماشینی سعی می‌کند میزان مصرف انرژی در بخش‌ها و تجهیزات مختلف را  ردیابی و مدیریت کند تا از هدر رفت انرژی جلوگیری شود.

گوگل در گزارش خود مدعی است این سیستم را در برخی مراکز دادة خود  پیاده‌سازی کرده و موفق شده است تا ۴۰ درصد مصرف انرژی مرتبط با سیستم‌های  سرمایشی این مراکزداده را کاهش دهد. کاهش ۴۰ درصدی مصرف انرژی و به تبع آن  هزینه‌های عملیاتی سرمایش مرکزداده، یک موفقیت و جهش بزرگ است.

همة ما می‌دانیم که سرورها و مراکزداده گوگل چقدر بهینه‌سازی شده و پیشرفته هستند و در یک وضعیت کارآمد کار می‌کنند. وقتی ابزار DeepMind می‌تواند در چنین مراکزی این حجم از کاهش مصرف انرژی ایجاد کند؛ باید  انتظار داشت در مراکز دادة معمولی شرکت‌های مختلف با کاهش انرژی بیشتری  روبرو باشیم.

این وضعیت در مقیاس‌های بزرگ و برای مراکز دادة بسیار گسترده با حجم زیادی  از تجهیزات شبکه، سرور و دستگاه‌های ذخیره‌سازی اطلاعات می‌تواند بسیار  امیدبخش و بهبوددهنده ظاهر شود. گوگل اعتقاد دارد این بهره‌وری جدید به دست  آمده نه‌تنها به گوگل بلکه به شرکت‌های دیگری که از مراکز دادة گوگل  استفاده می‌کنند؛ سود خواهد رساند و برایشان مقرون‌به‌صرفه است.

چرا مراکز داده به هوش مصنوعی نیاز دارند؟

مراکز داده برحسب اندازه­‌هایشان گاهی اوقات میلیون‌ها گالن آب، در طی یک  سال برای تامین سرمایش سرورها و تجهیزات شبکه استفاده می‌کنند.

سیستم‌های سرمایشی و خنک‌سازی این مراکز داده از چیلرهای بزرگ، صدها متر  لوله‌کشی آب، دستگاه‌های پمپاژ و برج‌های خنک‌کننده تشکیل شده‌اند.

این مراکز داده غالبا محیط‌های پیچیده و درهم هستند و بسیار سخت است که با  استفاده از ابزارهای سنتی مصرف انرژی را در آن­ها بهینه‌سازی کرد. هر مرکز  داده، معماری و تجهیزات و فناوری خاص خودش را دارد و از روش‌های مختلف و  متفاوتی برای تامین سرمایش تجهیزات و محیط بهره‌ می‌گیرد؛ بنابراین  بهینه‌سازی مصرف انرژی یک سیستم غیرخطی می‌شود و نمی‌توان برای هر چندین  مرکز داده به یک شکل عمل کرد.

بهینه‌سازی‌های مبتنی بر شهود انسانی و کارشناسان فنی، ظرفیت‌های پنهان  کاهش مصرف سوخت و میزان دقیق هدر رفت انرژی را نشان نمی‌دهند و همراه با  خطا هستند.

به ­علاوه؛ سیستم‌های سرمایشی نمی‌توانند به سرعت نسبت به تغییرات داخلی و  خارجی آب و هوا عکس‌العمل نشان بدهند زیرا مهندسان مرکز داده نمی‌توانند  قوانین و سناریوهای لازم برای این وضعیت‌ها را توسعه دهند. هر مرکز داده  محیط و معماری متفاوتی دارد و مهندسان مربوطه نمی‌توانند برای هر یک از این  مراکز داده یک سناریو طراحی و پیاده‌سازی کنند.

DeepMind چیست و چگونه کار می‌کند؟

گوگل در ابتدای سال ۲۰۱۴ کار روی یک ابزار هوش مصنوعی مبتنی بر یادگیری ماشینی را برای بهینه‌سازی مراکز داده آغاز کرد و DeepMind در پایان همان سال آماده شد. یادگیری ماشینی شاخه‌ای از علم هوش مصنوعی  است که تلاش می‌کند براساس اطلاعات در دسترس و موجود مواردی در آینده را  حدس زده و پیش‌بینی کند.

چند ماهی است که تیم توسعه‌دهنده و مدیریت DeepMind با تیم مراکز داده گوگل شروع به همکاری و کار مشترک با هدف کارآمدتر  ‌ساختن مراکز داده کرده­اند. این تیم‌ها شروع به پیاده‌سازی سیستمی از  شبکه‌های عصبی برای گزارش‌گیری از منابع، تجهیزات و بخش‌های مختلف مرکز  داده کرده و سناریوهای مختلفی برای بهبود مصرف انرژی در هر بخش را آزمایش  کرده­‌اند و به اجرا درآورده‌اند.

آن‌ها سعی کردند پارامترهای مختلف مرکز داده را اندازه‌گیری کنند تا یک  فریم‌ورک کارآمدتر و سازگارتر برای مراکز داده پویا و بهینه بسازند. این  تیم در یک بازة زمانی سعی کرده است تا اطلاعاتی از هزاران سنسور درون مرکز  داده جمع‌آوری و پایش کند.

پارامترهایی مانند دما، رطوبت، میزان مصرف انرژی، سرعت پمپ‌ها،  ست‌پوینت‌ها و غیره را برای هر محیط و بخش سنجش، و با هم مقایسه کنند. سپس؛  براساس این اطلاعات گردآوری شده سعی کردند شبکة عصبی پیاده‌سازی شده توسط DeepMind را برنامه‌ریزی کنند و آموزش دهند.

چون در اولین گام؛ هدف از به کاربردن DeepMind در یک مرکزداده کاهش و بهینه‌سازی مصرف انرژی بوده است؛ شبکه عصبی را براساس میانگین واحد PUE (power usage effectiveness ) در آینده برنامه‌ریزی کردند و آموزش دادند. PUE نرخ تولید انرژی برای مصرف در واحدهای مختلف IT را تعریف می‌کند و معیار خوبی برای ارزیابی میزان مصرف انرژی در حال و آینده یک مرکز داده است.

در گام بعدی؛ دو شبکة عصبی عمیق دیگر، برای پیش‌بینی دمای حرارت در آینده،  و میزان فشار مرکزداده در یک ساعت آینده را آموزش دادند. هدف از تمام این  شبکه‌های عصبی و پیش‌بینی‌ها رسیدن به یک شبیه‌سازی از عملیات‌ها و  فرآیندهای پیشنهادی برای یک مدل PUE بهینه است.

همان‌طور که در ابتدای این مطلب گفتیم؛ در نتیجه پیاده‌سازی این شبکه‌های عصبی و ابزار یادگیری ماشینی DeepMind مصرف انرژی در مراکز دادة تحت آزمایش، حدود ۴۰ درصد کاهش یافته است و PUE نیز حدود ۱۵ درصد کاهش دارد که به طور مستقیم روی هزینه‌های سربار عملیاتی تاثیرگذار است. این سیستم کمترین PUE برای یک مرکزداده را تاکنون تولید کرده است.

سود بیشتر در گروی هوش بیشتر

تیم توسعه‌دهنده DeepMind به نشریة بلومبرگ  بیزینس‌ویک گفتند با استفاده از هوش مصنوعی می‌توانند ۱۲۰ پارامتر یک مرکز  دادة گوگل شامل فن‌ها، سیستم‌های سرمایشی و حتا وضعیت پنجره‌ها را کنترل  کنند. این خبر برای مدیران مراکزداده شوک‌آور و شگفت‌انگیز است ولی برای  مدیران DeepMind پیش‌‌پا افتاده است و تصور می‌کنند که می‌­توان پارامترهای بیشتری را درون یک مرکز داده تحت نظر گرفت.

به همین خاطر، تیم توسعه DeepMind می‌خواهند به  سراغ بخش‌های دیگری از مراکز داده بروند و با پیاده‌سازی شبکه‌های عصبی  یادگیری ماشینی تلاش کنند بخش‌های مختلفی از یک مرکز داده را بهینه‌سازی و  کارآمدتر کنند.

آن‌ها می‌خواهند سیستمی برای کشف و شناسایی خطاها و دستگاه‌های در شرف  خرابی و معیوب یک مرکزداده بسازند تا آپ‌تایم افزایش یابد و نیاز به  نیروهای فنی کمتری برای نگه‌داری و پشتیبانی از سرورها و تجهیزات شبکه  باشد.

همین‌طور؛ قرار است در چند ماه آینده روی دستگاه‌ها و نیروگاه‌های تولید  انرژی تمرکز کنند تا بتوانند میزان انرژی الکتریکی بیشتری دریافت کنند یا  میزان مصرف انرژی در دستگاه‌ها و قطعات نیمه هادی کارخانه‌ها را کاهش دهند؛  مصرف آب را کاهش دهند و به کارخانه‌ها کمک کنند توان خروجی بیشتری بگیرند.

هوش مصنوعی در مسیر مراکز داده

گوگل اولین شرکتی است که به طور عملی از فناوری‌های هوش مصنوعی و یادگیری  ماشینی برای کارآمدتر کردن مراکز داده سود برده است و ابزاری برای این  منظور طراحی و عرضه می‌کند اما به یقین می‌توان گفت آخرین شرکت در این  زمینه نخواهد بود.

سیسکو، فیسبوک، آی‌بی‌ام، اینتل و ده‌ها شرکت دیگر نیز وارد این گود  می‌شوند و ابزارهای یادگیری ماشینی خود برای بهینه‌سازی مراکز داده را عرضه  می‌کنند.

به همین خاطر؛ کسب‌وکارها می‌توانند امیداور باشند به زودی با کاهش  هزینه‌های عملیاتی و مصرف انرژی مراکز داده خود؛ سود بیشتری کسب یا مجالی  برای توسعه زیرساخت IT خود پیدا کنند. مصرف انرژی و سرمایش یک چالش بزرگ و فراگیر در صنعت شبکه است که شاید هوش مصنوعی تنها جواب قطعی آن باشد.