MIT-kutató AI-jal csökkentené az adatközpontok energiaigényét
Christina Delimitrou, az MIT frissen kinevezett docense gépi tanulással tenné hatékonyabbá, biztonságosabbá és megbízhatóbbá a nagy felhőalapú rendszereket. Kutatócsoportja szerint a meglévő hardver jobb kihasználásával mérsékelhető az új adatközpontok építésének és energiafelhasználásának szükségessége.
- Christina Delimitrou gépi tanulással optimalizálná a nagy adatközpontokat.
- A kutatás célja a meglévő hardver jobb kihasználása és az energiafogyasztás mérséklése.
- A Seer mélytanulással előre jelezheti a webalkalmazások problémáit.
- A kutatók magyarázhatóbbá tennék az AI-rendszerek visszajelzéseit.
- A módszerek kiszámíthatóbb alkalmazásteljesítményt adhatnak a felhasználóknak.
A felhő infrastruktúrájának kihasználtságát javítanák
Az adatközpontok építési hulláma egyre nagyobb terhet ró az elektromos hálózatokra, és növeli a szennyező fosszilis energiahordozóktól való függést. Christina Delimitrou, az MIT Villamosmérnöki és Számítástechnikai Tanszékének docense, a Computer Science and Artificial Intelligence Laboratory tagja olyan módszereken dolgozik, amelyekkel a szerverek és a hálózati eszközök hatékonyabban működhetnek.
A kutatócsoport gépi tanulást alkalmaz a nagy léptékű adatközpontok optimalizálására. Újratervezik az elavult felhőalapú rendszereket, kezelik a megosztott hardvererőforrásokat, és egyszerűsített szerverarchitektúrákat fejlesztenek. Így az üzemeltetők a meglévő hardverből is több számítási teljesítményt nyerhetnek ki.
„Ha az adatközpontokat nem használják ki a képességeiknek megfelelően, akkor sokkal több energiát fognak felhasználni, mint amennyire a növekvő felhasználói igény kielégítéséhez szükség lenne” , mondta Delimitrou a MIT Newsnak. Szerinte különösen a szoftveres oldalon jelentős a felesleges többlet, amelynek eltávolításával új adatközpontok építése nélkül is fenntarthatóbbá tehető a növekedés.
Az AI a hibák és a leállások megelőzésében is segíthet
Delimitrou az AI-t felhőalapú alkalmazások, például zenei streaming- és videokonferencia-szolgáltatások vizsgálatára is használja. A cél a problémák felismerése és kijavítása még azelőtt, hogy azok leállást vagy széles körű lassulást okoznának. A kiesések elkerülése javíthatja a teljesítményt, és csökkentheti a feleslegesen felhasznált számítási erőforrásokat.
A kutató egyik csoportja a Seer nevű eszközt fejlesztette ki. Ez mélytanulással próbálja előre jelezni és megelőzni a webalkalmazások problémáit, így elkerülhetők azok a lassulások, amelyek egy késői, kézi beavatkozás után alakulhatnak ki.
A megközelítés egyik nehézsége, hogy az AI-rendszerek működése sokszor nehezen értelmezhető. „Az egyik kihívás, amikor AI-t alkalmazunk ezekre a rendszerekre, hogy az AI nem értelmezhető” , mondta Delimitrou. A kutatócsoport ezért olyan magyarázhatósági megoldásokon dolgozik, amelyek hasznos visszajelzést adnak a fejlesztőknek és az üzemeltetőknek.
A hatékonyabb háttér kiszámíthatóbb szolgáltatást adhat
Delimitrou korábbi kutatásai során azt vizsgálta, hogyan kezelhetők az erőforrások akkor, amikor egy számítógépen egyszerre több alkalmazás fut. Stanfordi munkája során mentorával, Christos Kozyrakisszal arra jutottak, hogy számos nagy számítási rendszer kihasználtsága alacsony. A MIT News szerint a vizsgált rendszerek többsége körülbelül 15 százalékos kapacitáson működött, miközben az igény miatt közel 100 százalékos kihasználtság lenne várható.
Azóta a felhőalkalmazások felépítése is változott. A fejlesztők egyre gyakrabban kisebb részekre bontják az alkalmazásokat, amelyeket több szerver között osztanak szét. A gyorsabb telepítés előnyei mellett ez új elvárásokat támaszt a szerverekkel szemben, ezért Delimitrou gépi tanulási rendszerekkel igazítaná jobban egymáshoz a szoftvereket és a meglévő hardvert.
Az erőforrások hatékonyabb felhőalapú kezelése a felhasználók számára kiszámíthatóbb teljesítményt jelenthet a telefonjukon futó alkalmazásokban. A kutatás így az adatközpontok energiafelhasználásának mérséklése mellett közvetlenül a digitális szolgáltatások működésére is hatással lehet.
