Passer au contenu principal

IA, apprentissage automatique et centres de données

IA et apprentissage automatique dans les centres de données d'aujourd'hui

L'IA et l'apprentissage automatique trouvent leur origine dans la science-fiction et ont une histoire vénérée et colorée qui remonte à l'Antiquité et se poursuit jusqu'à nos jours. Ils sont utilisés dans d'innombrables domaines pour améliorer notre vie quotidienne. Pour de nombreuses entreprises, l'IA et l'apprentissage automatique viennent rapidement alimenter leurs centres de données en tant qu'outils permettant de résoudre des problèmes complexes, notamment la prédiction et l'optimisation.

Qu'est-ce que l'apprentissage profond ?

Techopedia définit l'apprentissage profond comme « un ensemble d'algorithmes [qui sont] utilisés pour modéliser des abstractions de haut niveau dans les données [à travers] des architectures de modèles [composées] de multiples transformations non linéaires ». L'apprentissage profond est utilisé par l'apprentissage automatique et fait partie d'un groupe de méthodes basées sur l'apprentissage de représentations de données.

Il s'agit d'une approche spécifique pour construire et former des réseaux neuronaux : des nœuds décisionnels au potentiel immense.

Les algorithmes sont considérés comme « profonds » si les données d'entrée sont aspirées par une série de non-linéarités ou de transformations non linéaires avant de devenir des résultats. Inversement, la majorité des algorithmes d'apprentissage machine actuels peuvent être considérés comme « superficiels », car leurs données ne peuvent atteindre que les premiers niveaux d'appel des sous-programmes.

L'apprentissage profond élimine l'identification manuelle des caractéristiques dans les données et s'appuie sur son processus de formation pour découvrir les modèles utiles de l'exemple d'entrée. Cette fonctionnalité rend le processus de formation des réseaux neuronaux plus facile et plus rapide et permet d'obtenir de meilleurs résultats, ce qui fait progresser le domaine de l'IA.1

Comment les entreprises utilisent-elles l'apprentissage profond, l'IA et l'apprentissage automatique pour accroître leur efficacité et réduire leurs coûts ?

L'apprentissage profond, l'IA et l'apprentissage automatique sont des outils capables d'analyser une grande quantité de données, puis de repérer des modèles dans ces données et de déterminer quand ces modèles pourraient se répéter à l'avenir. L'IA et l'apprentissage automatique peuvent modéliser d'autres configurations, stimuler le temps de fonctionnement et la résilience, localiser les opportunités de maintenance préventive et cibler les risques potentiels de cybersécurité.

Les centres de données disposent généralement d'une multitude de ressources et d'instruments sensoriels, fournissant à leurs opérations des données en temps réel et historiques sur leurs performances globales et leur environnement. L'optimisation des ressources, la prévision et la prévention des temps d'arrêt sont des fonctions importantes pour l'IA et l'apprentissage automatique dans les centres de données. En surveillant les données de performance en temps réel qui régulent la gestion de l'alimentation et le refroidissement du système, l'IA et l'apprentissage automatique peuvent non seulement conserver et optimiser leurs ressources, mais aussi prédire où une défaillance pourrait se produire dans un centre de données. S'ils peuvent localiser l'endroit où une défaillance est susceptible de se produire, il est alors possible d'effectuer une maintenance préventive et d'éviter un temps d'arrêt ou une panne du système.

Comment Google a utilisé DeepMind pour optimiser la capacité de refroidissement de ses centres de données

Dans l'article intitulé Faire preuve d'intelligence : comment l'IA et l'apprentissage automatique peuvent aider les centres de données, Peter Judge rappelle qu'à partir de 2014, Jim Gao, ingénieur spécialiste des centres de données chez Google, a commencé à utiliser la technologie DeepMind comme moteur de recommandation. En 2016, deux réseaux neuronaux ont appris à prédire les températures futures et à donner des suggestions sur la façon de réagir de manière proactive. Cette utilisation de l'IA a permis à Google d'optimiser le refroidissement de ses installations à Singapour, réduisant ainsi le coût du refroidissement du site de 40 % et économisant 15 % de l'efficacité d'utilisation de l'énergie (PUE) de l'installation.2

En 2018, Google a appliqué la même approche que celle utilisée dans le centre de données de son installation de Singapour et a créé un système de refroidissement de centre de données à conduite autonome dans lequel l'IA supervisait les paramètres opérationnels du centre de données aux côtés de la supervision humaine. Par souci de sécurité, la barre a été placée pour que le système automatique ne réduise le coût de la facture de refroidissement que de 30 %.  En fin de compte, le centre de données a connu une « baisse de 40 % de la quantité d'énergie nécessaire pour refroidir l'installation [et a obtenu] le meilleur score [PUE] de son histoire, soit 1,06 ».3

Pour prédire l'impact des actions sur la consommation d'énergie et déterminer le meilleur choix pour l'avenir, le système d'IA a utilisé des milliers de capteurs et enregistré toutes les cinq minutes des instantanés du système de refroidissement du centre de données. Le système d'IA a ensuite transmis ces informations à un système d'IA basé sur le nuage et a déterminé ce qu'il pensait être le meilleur choix d'action. Cette action a ensuite été transmise au centre de données où elle a été vérifiée par les opérateurs humains de ce centre et, si l'action a été jugée sûre, elle a été exécutée.

Finalement, l'IA a appris à prédire les changements environnementaux et à en tirer parti. Par exemple, l'IA a utilisé les conditions hivernales froides pour créer de l'eau plus froide afin de réduire l'énergie nécessaire au refroidissement du centre de données.

Comment l'IA et l'apprentissage automatique aident les entreprises à comprendre leurs clients

Les entreprises utilisent l'IA et l'apprentissage automatique pour analyser les grandes quantités d'informations sur les clients qui s'y trouvent. Si le logiciel d'IA ou d'apprentissage automatique est connecté à un système de gestion de la relation client (GRC), il peut alors localiser et récupérer des données clients qui ne sont pas utilisées par le système GRC. En fin de compte, les entreprises pourraient utiliser l'IA et l'apprentissage automatique pour créer des stratégies de génération de pistes de clients, stimuler le taux de réussite des clients et réduire le taux de perte de clients.

Comment l'IA et l'apprentissage machine aident les entreprises à exploiter la prédiction

Quand un grand changement environnemental se produit, les gens peuvent réagir de manière excessive ou simplement prendre les mauvaises décisions. Dans ce domaine d'intervention, l'IA peut être plus performante que l'homme, en garantissant la stabilité grâce à des approches prédictives basées sur la logique pour choisir les meilleures actions.  

Lorsqu'il y a un grand changement environnemental, les gens peuvent réagir de manière excessive ou simplement prendre les mauvaises décisions. Dans ce domaine d'intervention, l'IA peut faire mieux que les personnes, en maintenant la stabilité grâce à des approches prédictives basées sur la logique pour choisir les meilleures actions.

Les fluctuations de température entre les serveurs dans les centres de données peuvent entraîner le gaspillage de nombreuses ressources en essayant de ramener sous contrôle un serveur qui est trop chaud. Si un serveur est temporairement mis hors ligne, cela réduit considérablement la productivité du centre de données. Les entreprises de gestion de l'infrastructure des centres de données (DCIM) s'efforcent de remédier à ce dilemme en intégrant l'analyse prédictive à l'IA et à l'apprentissage automatique.

Les données brutes des capteurs sont traitées et introduites dans des moteurs de modélisation prédictive. L'IA et l'apprentissage automatique utilisent la correspondance des modèles pour réguler la température et localiser les signes de fuites de réfrigérant. Certains systèmes analysent et discernent les points à améliorer dans un système d'IA.

Comment Nlyte utilise IBM Watson® pour aller au-delà de la prédiction

Peter Judge note qu'en 2018, le fournisseur de DCIM Nlyte a intégré ses outils à IBM Watson. Les objectifs de cette collaboration étaient d'améliorer la maintenance préventive basée sur l'IA et l'apprentissage automatique et d'aller « au-delà de la prédiction [et] des charges de travail et de la gestion des charges de travail ».

Judge poursuit en affirmant que l'IA peut contribuer à réduire la taille de la charge de travail et le risque d'échec de celle-ci. Il cite Amy Bennett, responsable marketing pour l'Amérique du Nord d'IBM Watson IoT, qui affirme que l'IA est « un membre de l'équipe du centre de données [qui] ne prend jamais de vacances ».

L'avenir de l'IA et de l'apprentissage automatique

Le défi ultime de l'utilisation de l'IA et de l'apprentissage automatique pour améliorer la puissance et l'efficacité du refroidissement des serveurs des centres de données est que l'IA et l'apprentissage automatique finiront un jour par générer des rendements décroissants. Dès lors, l'IA et l'apprentissage automatique pourraient commencer à utiliser l'équilibrage intelligent des charges et l'orchestration des conteneurs, et déplacer eux-mêmes les charges informatiques et réduire le coût énergétique de l'informatique.

Judge fait référence à Suvojit Ghosh, directeur du Computing Infrastructure Research Centre (CIRC), qui utilise l'IA pour analyser les sons d'un centre de données et leur corrélation avec la consommation d'énergie. Ghosh travaille à la création d'une IA capable de prédire quand un objet doit être réparé ou remplacé. Ce système peut être couplé à des opérateurs et des ingénieurs humains qui pourraient recevoir des rapports sur l'état du centre de données de la part de l'IA et réagir en conséquence en effectuant des réparations ou en résolvant des problèmes.

Dans son article intitulé Comment l'apprentissage automatique optimise les opérations des centres de données, Julia Borgini affirme que les logiciels d'apprentissage automatique prédisent les problèmes et les résolvent plus rapidement que jamais.  L'apprentissage automatique est une extension de l'environnement hybride des centres de données et une branche en plein essor de leur infrastructure. Selon Borgini, « IDC prévoit que 50 % des équipements informatiques des centres de données fonctionneront de manière autonome grâce à des fonctionnalités d'IA intégrées d'ici 2022 ».4


L'IA et l'apprentissage automatique pourraient à terme atteindre le point où le système effectue de manière autonome des actions numériques et affecte des robots à l'exécution d'actions physiques, telles que l'entretien physique quotidien et les opérations du centre de données. Cette capacité futuriste de l'IA à gérer un centre de données sans nécessiter d'interaction humaine créerait un modèle de centres de données autonomes.

Ressources

  1. Personnel de Techopedia, Apprentissage profond, Techopedia, 13 novembre 2017.

  2. Peter Judge, Faire preuve d'intelligence : comment l'IA et l'apprentissage automatique peuvent aider les centres de données, DDC Magazine, 31 juillet 2019.

  3. Caroline Donnelly, Google Deepmind redouble d'efforts pour améliorer l'efficacité énergétique des centres de données grâce à l'IA, ComputerWeekly.com, 20 août 2018.

  4. Julia Borgini, Comment l'apprentissage automatique optimise les opérations des centres de données, TechTarget, 22 juillet 2019.