AI e machine learning nei data center di oggi
AI e machine learning nascono nella fantascienza e hanno una storia illustre e particolare che risale ai tempi antichi e si protrae fino al presente. Sono utilizzati in numerosi settori per migliorare la nostra vita quotidiana. L'AI e il machine learning si stanno rapidamente diffondendo nei data center di molte aziende come strumenti per aiutare a risolvere problemi complessi, tra cui le previsioni e l'ottimizzazione.
Cos'è il deep learning?
Techopedia definisce il deep learning come "una raccolta di algoritmi [che sono] utilizzati per modellare astrazioni di alto livello nelle [attraverso] architetture di modelli dati [composte] di molteplici trasformazioni non lineari." Il deep learning viene utilizzato dal machine learning e fa parte di un gruppo di metodi basati sull'apprendimento di rappresentazioni dei dati.
Si tratta di un approccio specifico per la creazione e l'addestramento di reti neurali: nodi decisionali con un ampio potenziale.
Gli algoritmi sono considerati "profondi" se i dati di input vengono trasformati attraverso una serie di non linearità o trasformazioni non lineari prima di diventare output. Al contrario, la maggior parte degli algoritmi di apprendimento automatico odierni può essere considerata "superficiale" poiché il loro input può raggiungere solo i primi livelli di chiamata di subroutine.
Il deep learning elimina l'identificazione manuale delle caratteristiche dei dati e si basa sul suo processo di addestramento per scoprire i pattern utili di esempi di input. Questa funzione rende il processo di addestramento delle reti neurali più semplice e veloce e aiuta a produrre risultati migliori, il che fa progrdire il campo dell'AI.1
In che modo le aziende utilizzano deep learning, AI e machine learning per migliorare l'efficienza e ridurre i costi?
Deep learning, AI e machine learning sono strumenti in grado di analizzare una grande quantità di dati, individuare modelli all'interno di tali dati e determinare quando questi modelli potrebbero ripetersi in futuro. AI e machine learning possono modellare configurazioni alternative, aumentando i tempi di funzionamento e la resilienza, individuando opportunità di manutenzione preventiva e potenziali rischi per la sicurezza informatica.
I data center di solito dispongono di una vasta gamma di risorse e strumenti di sensoristica e forniscono alle proprie operazioni sia dati storici che in tempo reale sulle loro prestazioni complessive e sul loro ambiente. L'ottimizzazione delle risorse e la previsione e prevenzione dei tempi di inattività sono funzioni importanti dell'AI e del machine learning nei data center. Monitorando in tempo reale i dati sulle prestazioni che regolano la gestione dell'alimentazione e del raffreddamento del sistema, non solo l'AI e il machine learning possono conservare e ottimizzare le proprie risorse, ma anche prevedere dove potrebbero verificarsi guasti nel data center. Se riescono ad individuare dove è probabile che si verifichi un guasto, è possibile eseguire la manutenzione preventiva e prevenire i tempi di inattività o un'interruzione del sistema.
In che modo Google ha utilizzato DeepMind per ottimizzare la capacità di raffreddamento dei propri data center
Nell'articolo Smartening up: How AI and machine learning can help data centers, Peter Judge osserva che a partire dal 2014 l'ingegnere di data center di Google Jim Gao ha iniziato a utilizzare la tecnologia DeepMind come motore di suggerimenti. Nel 2016, alcune reti neurali avevano imparato a prevedere le temperature future e a fornire suggerimenti su come rispondere in modo proattivo. Questo utilizzo dell'AI ha consentito a Google di ottimizzare il raffreddamento della propria struttura di Singapore, riducendo il costo di raffreddamento del sito del 40% e risparmiando il 15% del PUE (power utilization effectiveness) della struttura.2
Nel 2018, Google ha applicato lo stesso approccio utilizzato nel data center della struttura di Singapore e ha creato un sistema di raffreddamento dei data center a guida autonoma in cui l'AI supervisionava le impostazioni operative del data center con il controllo di esseri umani. Senza trascurare la sicurezza, il sistema automatico è stato impostato solamente per ridurre il costo della bolletta del raffreddamento del 30%. Alla fine, il data center ha registrato una "riduzione del 40% della quantità di energia necessaria per raffreddare la struttura [e ha raggiunto] il punteggio [PUE] più basso nella sua storia di 1,06".3
Per prevedere in che modo le azioni avrebbero influenzato il consumo di energia e determinare la scelta migliore per il futuro, il sistema di AI ha utilizzato migliaia di sensori e ha registrato istantanee del sistema di raffreddamento del data center ad intervalli di cinque minuti. Il sistema di AI ha quindi fornito queste informazioni a un sistema di AI basato su cloud e ha selezionato quella che riteneva fosse l'azione migliore da eseguire. Questa azione è stata quindi inoltrata al data center dove è stata verificata dagli operatori umani di quel centro e, se ritenuta sicura, è stata eseguita.
Alla fine, l'AI ha imparato a prevedere i cambiamenti ambientali e a trarne vantaggio. Ad esempio, l'AI ha utilizzato condizioni invernali fredde per utilizzare acqua più fredda che ha ridotto l'energia necessaria per il raffreddamento del data center.
In che modo l'AI e il machine learning aiutano le aziende a comprendere i propri clienti
Le aziende utilizzano l'AI e il machine learning per analizzare le grandi quantità di informazioni sui clienti presenti nei loro data center. Se il software di AI o di machine learning sono collegati a un sistema di gestione delle relazioni con i clienti (customer relationship management, CRM), possono individuare e recuperare i dati dei clienti che altrimenti non verrebbero utilizzati. In definitiva, le aziende potrebbero utilizzare l'AI e il machine learning per creare strategie per la generazione di lead sui clienti, aumentando il successo dei clienti stessi e riducendone l'abbandono.
In che modo AI e machine learning aiutano le aziende ad utilizzare le previsioni
Quando si verifica un grande cambiamento ambientale, le persone possono reagire in modo sproporzionato o semplicemente prendere le decisioni sbagliate. In quest'ambito, l'AI può funzionare meglio delle persone, mantenendo l'equilibrio con approcci predittivi, basati sulla logica, per scegliere le azioni migliori.
Le fluttuazioni di temperatura tra i server nei data center possono causare lo spreco di molte risorse nel tentativo di riprendere il controllo di un server troppo caldo. Se un server viene temporaneamente messo offline, la produttività del data center viene ridotta drasticamente. Le aziende di gestione dell'infrastruttura dei data center (DCIM) stanno lavorando per porre rimedio a questo dilemma integrando l'analisi predittiva con l'AI e il machine learning.
I dati grezzi dei sensori vengono elaborati e inseriti nei motori di modellazione predittiva. L'AI e il machine learning utilizzano la corrispondenza dei modelli per regolare la temperatura e individuare segnali di perdite di refrigerante. Alcuni sistemi analizzano e individuano le aree di miglioramento all'interno di un sistema di AI.
In che modo Nlyte utilizza IBM Watson® per andare oltre le previsioni
Peter Peter Judge sottolinea che nel 2018 il fornitore DCIM Nlyte ha integrato i suoi strumenti con IBM Watson. Gli obiettivi di questa collaborazione erano migliorare l'AI e la manutenzione preventiva basata sul machine learning e andare "oltre le cose predittive [e] nei carichi di lavoro e nella loro gestione.”
Judge prosegue affermando che l'AI può aiutare a ridurre le dimensioni del carico di lavoro e il rischio di un suo malfunzionamento. Egli cita il responsabile marketing nordamericano di IBM Watson IoT, Amy Bennett, che afferma che l'AI è "un membro del team del data center [che] non si prende mai una vacanza.”
Il futuro dell'AI e del machine learning
La sfida finale nell'utilizzo dell'AI e del machine learning per migliorare la potenza e l'efficienza dei server di raffreddamento dei data center è che l'AI e il machine learning un giorno inizieranno a generare rendimenti decrescenti. A quel punto, l'AI e il machine learning potrebbero iniziare a utilizzare il bilanciamento del carico intelligente e l'orchestrazione dei container, spostare i carichi IT e ridurre i costi energetici dell'IT.
Judge fa riferimento a Suvojit Ghosh, il capo del Computing Infrastructure Research Center (CIRC), che utilizza l'AI per analizzare i suoni di un data center e la loro correlazione con il consumo di energia. Ghosh sta lavorando per creare un'AI in grado di prevedere quando qualcosa deve essere riparato o sostituito. Questo può essere accoppiato con operatori umani e ingegneri che potrebbero ricevere i report sulle condizioni del data center dall'AI e rispondere di conseguenza con interventi manutentivi o con la risoluzione dei problemi.
Nell'articolo How machine learning in data centers optimizes operations, Julia Borgini sostiene che il software di machine learning prevede i problemi e li risolve più velocemente che in passato. Il machine learning è un'estensione dell'ambiente del data center ibrido e un'arma promettente dell'infrastruttura del data center. Borgini afferma che "IDC prevede che entro il 2022 il 50% delle risorse IT nei data center funzionerà in modo autonomo utilizzando le funzionalità di AI integrate".4
L'AI e il machine learning potrebbero prima o poi raggiungere il punto in cui il sistema esegue autonomamente azioni digitali e assegna a robot l'esecuzione di azioni, come la manutenzione fisica quotidiana e le operazioni del data center. Questa capacità futuristica dell'AI di gestire un data center senza la necessità dell'interazione umana creerebbe un modello di data center autosufficienti.
Risorse
- Techopedia Staff, Deep Learning, Techopedia, 13 novembre 2017.
- Peter Judge, Smartening up: How AI and machine learning can help data centers, DCD Magazine, 31 luglio 2019.
- Caroline Donnelly, Google Deepmind doubles down on AI-led efforts to improve datacentre energy efficiency, ComputerWeekly.com, 20 agosto 2018.
- Julia Borgini, How machine learning in data centers optimizes operations, TechTarget, 22 luglio 2019.