L'IA et l'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. Ces technologies sont utilisées dans d'innombrables domaines pour améliorer notre vie quotidienne. Elles sont aussi de plus en plus présentes dans les centres de données de nombreuses entreprises, qui les utilisent comme outils pour résoudre des problèmes complexes, notamment en termes de prévision et d'optimisation.
Qu'est-ce que l'apprentissage en profondeur ?
Techopedia définit l'apprentissage en profondeur comme « un ensemble d'algorithmes 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 en profondeur 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 de neurones : des nœuds décisionnels au potentiel immense.
Les algorithmes sont considérés comme « profonds » si les données d'entrée sont siphonnées par une série de non-linéarités ou de transformations non linéaires avant de devenir des données de sortie. Inversement, la majorité des algorithmes d'apprentissage automatique actuels peuvent être considérés comme « superficiels », car leurs données d'entrée ne peuvent atteindre que les premiers niveaux d'appel des sous-routines.
L'apprentissage en profondeur élimine l'identification manuelle des fonctionnalités dans les données et s'appuie sur son processus d'entraînement pour découvrir les modèles utiles de l'exemple d'entrée. Cette fonctionnalité rend le processus d'entraînement des réseaux neuronaux plus facile et plus rapide et contribue à produire de meilleurs résultats, qui font progresser le domaine de l'IA.1
Comment les entreprises utilisent-elles l'apprentissage en profondeur, l'IA et l'apprentissage automatique pour accroître leur efficacité et réduire leurs coûts ?
L'apprentissage en profondeur, 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, améliorer la disponibilité et la résilience, repérer les possibilités de maintenance préventive et cibler les risques potentiels de cyber-sécurité.
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 ainsi que la prévision et la prévention des temps d'arrêt sont des fonctions importantes de l'IA et de 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 panne pourrait se produire dans le centre de données. Si elles peuvent localiser l'endroit où une défaillance est susceptible de se produire, alors il est possible d'effectuer une maintenance préventive et d'éviter ainsi toute indisponibiilté ou panne du système.
Comment Google a utilisé DeepMind pour optimiser la capacité de refroidissement de ses centres de données
Dans l'article Smartening up : How AI and machine learning can help data centers, Peter Judge explique qu'en 2014, Jim Gao, l'ingénieur en charge des centres de données de Google, a commencé à utiliser la technologie DeepMind comme moteur de recommandation. En 2016, une paire de réseaux neuronaux avait 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 de 40 % le coût du refroidissement du site et économisant 15 % de l'efficacité d'utilisation de l'énergie de l'installation.2
Au cours de l'année 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. Dans un souci de sécurité, la barre a été fixée pour que le système automatique ne réduise le coût de la facture de refroidissement que de 30 %. Au final, le centre de données a connu une « baisse de 40 % de la quantité d'énergie nécessaire pour refroidir l'installation et a obtenu le score PUE le plus bas 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 cloud et a sélectionné ce qu'il pensait être le meilleur choix d'action. Cette action était ensuite transmise au centre de données où elle était vérifiée par les opérateurs humains de ce centre et, si l'action était jugée sûre, elle était exécutée.
Finalement, l'IA a appris à prévoir les changements environnementaux et à en tirer parti. Par exemple, l'IA a utilisé les conditions hivernales pour créer une eau plus froide et réduire ainsi 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 vastes quantités d'informations sur les clients qui se trouvent dans les centres de données de leur entreprise. Si le logiciel d'IA ou d'apprentissage automatique est connecté à un système de gestion de la relation client (CRM), il peut alors localiser et récupérer des données sur les clients qui ne sont pas utilisées par le système CRM. À terme, les entreprises pourraient utiliser l'IA et l'apprentissage automatique pour créer des stratégies de génération de prospects, stimuler le succès des clients et réduire le taux de perte.
Comment l'IA et l'apprentissage automatique aident les entreprises à utiliser la prévision
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.
Les fluctuations de température entre les différents serveurs des centres de données peuvent entraîner le gaspillage de nombreuses ressources pour tenter de rétablir le contrôle d'un serveur trop chaud. Si un serveur est temporairement mis hors ligne, la productivité du centre de données s'en trouve considérablement réduite. 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 prévision
Peter Judge explique qu'en 2018, le fournisseur 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 prévision, dans les charges de travail et la gestion des charges de travail ».
Peter Judge ajoute que l'IA peut contribuer à réduire la taille de la charge de travail et le risque de défaillance de celle-ci. Il cite Amy Bennett, responsable marketing d'IBM Watson IoT pour l'Amérique du Nord : « 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 principal problème qui se pose lorsqu'on utilise l'IA et l'apprentissage automatique pour améliorer la puissance et l'efficacité du refroidissement des serveurs des centres de données est que ces technologies commenceront un jour à générer un retour sur investissement décroissant. À ce moment-là, l'IA et l'apprentissage automatique pourraient commencer à utiliser l'équilibrage de charge et l'orchestration de conteneurs intelligents, déplacer eux-mêmes les charges informatiques et réduire le coût énergétique de l'informatique.
Peter Judge fait référence à Suvojit Ghosh, le 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. Suvojit Ghosh travaille à la création d'une IA capable de prédire quand un élément doit être réparé ou remplacé. Cette technologie peut être associée à des opérateurs et des ingénieurs humains qui pourraient recevoir de l'IA des rapports sur l'état du centre de données et réagir en conséquence en effectuant des réparations ou en résolvant des problèmes.
Dans l'article How machine learning in data centers optimizes operations, 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 l'infrastructure des centres de données. Selon elle, « L'IDC prévoit que 50 % des actifs informatiques des centres de données fonctionneront de manière autonome grâce à des fonctionnalités d'intelligence artificielle 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 confie à des robots l'exécution d'actions physiques, telles que la maintenance et les opérations physiques quotidiennes 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.
Resources
- Techopedia Staff, Deep Learning, Techopedia, 13 novembre 2017.
- Peter Judge, Smartening up: How AI and machine learning can help data centers, DCD Magazine, 31 juillet 2019.
- Caroline Donnelly, Google Deepmind doubles down on AI-led efforts to improve datacentre energy efficiency, ComputerWeekly.com, 20 août 2018.
- Julia Borgini, How machine learning in data centers optimizes operations, TechTarget, 22 juillet 2019.